基于深度学习的短文本自动摘要方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国际研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 本文整体结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 自动文摘相关技术介绍 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 基于统计的技术 | 第16-17页 |
| 2.3 基于主题模型的方法 | 第17-18页 |
| 2.4 基于图排序算法的方法 | 第18-19页 |
| 2.5 传统机器学习方法 | 第19-20页 |
| 2.6 深度学习方法 | 第20-21页 |
| 2.7 本章小结 | 第21-22页 |
| 第三章 基于无监督学习的中文短文本表示 | 第22-38页 |
| 3.1 引言 | 第22页 |
| 3.2 文本表示相关方法 | 第22-25页 |
| 3.2.1 词频 | 第22-23页 |
| 3.2.2 词频逆文档频率 | 第23-24页 |
| 3.2.3 潜在语义索引 | 第24-25页 |
| 3.2.4 LDA主题模型 | 第25页 |
| 3.3 深度学习相关技术 | 第25-29页 |
| 3.3.1 词嵌入 | 第26-28页 |
| 3.3.2 卷积神经网络 | 第28-29页 |
| 3.3.3 文本表示学习 | 第29页 |
| 3.4 KNN文本分类算法 | 第29-32页 |
| 3.5 基于无监督学习的中文短文本表示模型 | 第32-34页 |
| 3.5.1 模型概述 | 第32-33页 |
| 3.5.2 短文本表示的KL散度 | 第33-34页 |
| 3.5.3 模型训练 | 第34页 |
| 3.6 实验 | 第34-36页 |
| 3.6.1 数据集描述 | 第34页 |
| 3.6.2 数据预处理及模型参数设置 | 第34-35页 |
| 3.6.3 基本模型及评价指标 | 第35页 |
| 3.6.4 实验结果与分析 | 第35-36页 |
| 3.7 本章小结 | 第36-38页 |
| 第四章 基于文档相似度最大化的自动摘要模型 | 第38-54页 |
| 4.1 引言 | 第38页 |
| 4.2 深度学习相关技术 | 第38-44页 |
| 4.2.1 循环神经网络 | 第38-40页 |
| 4.2.2 长短期记忆单元 | 第40-41页 |
| 4.2.3 双向长短期记忆单元 | 第41页 |
| 4.2.4 序列到序列架构 | 第41-43页 |
| 4.2.5 注意力机制 | 第43-44页 |
| 4.2.6 Dropout机制 | 第44页 |
| 4.3 基于文档相似度最大化的摘要生成模型 | 第44-49页 |
| 4.3.1 从词嵌入到文档向量 | 第45-46页 |
| 4.3.2 从文档向量到文档相似度 | 第46-47页 |
| 4.3.3 模型概述 | 第47-49页 |
| 4.3.4 模型训练 | 第49页 |
| 4.4 实验 | 第49-53页 |
| 4.4.1 数据集描述 | 第49页 |
| 4.4.2 数据处理及参数设置 | 第49-50页 |
| 4.4.3 基本模型及评价指标 | 第50-51页 |
| 4.4.4 实验结果及分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间取得的研究成果 | 第66页 |
