| 表目录 | 第1-11页 |
| 图目录 | 第11-13页 |
| 摘要 | 第13-14页 |
| ABSTRACT | 第14-16页 |
| 第一章 绪论 | 第16-33页 |
| ·研究背景和意义 | 第16-19页 |
| ·国内外相关问题研究现状 | 第19-29页 |
| ·新闻事件探测技术研究现状 | 第19-23页 |
| ·新闻事件追踪技术研究现状 | 第23-26页 |
| ·新闻事件相关多文档摘要技术研究现状 | 第26-29页 |
| ·论文的研究内容和组织结构 | 第29-33页 |
| ·论文的研究内容 | 第29-31页 |
| ·论文的组织结构 | 第31-33页 |
| 第二章 基于事件的新闻报道分析框架 | 第33-40页 |
| ·相关术语 | 第33-34页 |
| ·基于事件的新闻报道分析的层次结构 | 第34-35页 |
| ·基于事件的新闻报道分析的技术框架 | 第35-39页 |
| ·新闻事件探测 | 第37页 |
| ·新闻事件追踪 | 第37-38页 |
| ·新闻事件相关多文档摘要 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 新闻事件的探测 | 第40-69页 |
| ·事件探测常用方法概述 | 第40-46页 |
| ·Single-pass法 | 第42-43页 |
| ·K均值法 | 第43-44页 |
| ·Constructive-Competition法 | 第44-45页 |
| ·基于层次的方法 | 第45-46页 |
| ·初始化类中心的增量K均值法在新闻事件探测中的应用 | 第46-54页 |
| ·传统的增量K均值法 | 第46-47页 |
| ·IIKM算法的操作步骤 | 第47-48页 |
| ·预处理过程和文档表示 | 第48-51页 |
| ·类中心初始化 | 第51-52页 |
| ·特征选择和相似度计算 | 第52-54页 |
| ·IIKM算法的说明 | 第54页 |
| ·基于分类增量集辅助CURE的事件探测 | 第54-60页 |
| ·选用CURE算法的理由 | 第54-56页 |
| ·CURE算法的原理分析 | 第56-57页 |
| ·基于分类增量集辅助CURE的事件探测方法描述 | 第57-59页 |
| ·算法的时空复杂性分析 | 第59-60页 |
| ·实验结果与讨论 | 第60-68页 |
| ·实验数据和评价指标 | 第60-63页 |
| ·实验一:选取不同邻域密度有效半径对事件探测系统性能的影响 | 第63-65页 |
| ·实验二:选取不同维数对事件探测系统性能的影响 | 第65-66页 |
| ·实验三:不同事件探测法在NUDT EventMining Corpus2.0上的性能比较 | 第66-67页 |
| ·实验四:不同事件探测法在TDT Pilot Study Corpus上的性能比较 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第四章 新闻事件的追踪 | 第69-98页 |
| ·事件追踪常用方法概述 | 第69-71页 |
| ·Rocchio法 | 第69页 |
| ·K近邻法 | 第69-70页 |
| ·决策树法 | 第70页 |
| ·语言模型法 | 第70页 |
| ·组合法 | 第70-71页 |
| ·基于KNNFL的事件追踪 | 第71-77页 |
| ·问题描述 | 第71-74页 |
| ·最近邻特征线(NFL)方法简介 | 第74-75页 |
| ·基于KNNFL的事件追踪算法步骤 | 第75-76页 |
| ·进一步的思考 | 第76-77页 |
| ·基于反例样本修剪支持向量机的事件追踪 | 第77-86页 |
| ·问题描述 | 第77-78页 |
| ·支持向量机简介 | 第78-80页 |
| ·预处理和文档表示 | 第80-81页 |
| ·概率化输出 | 第81-82页 |
| ·基于NEP-SVM的事件追踪步骤 | 第82-84页 |
| ·NEP-SVM事件追踪法的进一步改进 | 第84-86页 |
| ·实验结果与讨论 | 第86-97页 |
| ·实验一:在不同K值时采用KNNFL法追踪各事件时的系统性能 | 第86-90页 |
| ·实验二:NEP-SVM法在采用不同概率化输出阈值时追踪不同事件的系统性能 | 第90-94页 |
| ·实验三:NEP-SVM法在采用不同修剪半径时追踪不同事件的系统性能 | 第94-96页 |
| ·实验四:不同事件追踪法在TDT Pilot Study Corpus上的系统性能比较 | 第96-97页 |
| ·本章小结 | 第97-98页 |
| 第五章 新闻事件相关多文档摘要 | 第98-113页 |
| ·事件相关多文档摘要常用方法概述 | 第98-100页 |
| ·基于统计的机械文摘 | 第98-99页 |
| ·基于意义的理解文摘 | 第99-100页 |
| ·文本预处理 | 第100-101页 |
| ·局部主题的确定 | 第101-105页 |
| ·事件相关多文档摘要的生成 | 第105-107页 |
| ·事件相关多文档摘要的评价 | 第107-108页 |
| ·事件RSU的检索与事件相关文档摘要 | 第108-110页 |
| ·事件RSU的切分和标题检测 | 第108-109页 |
| ·事件RSU检索的思路 | 第109页 |
| ·事件相关文档摘要应用于事件RSU检索 | 第109-110页 |
| ·实验结果与讨论 | 第110-112页 |
| ·实验一:事件相关多文档摘要实验结果 | 第110-111页 |
| ·实验二:TSP-KNN和普通KNN算法的检索效率比较 | 第111-112页 |
| ·本章小结 | 第112-113页 |
| 第六章 基于事件的新闻报道分析系统IEVENTMINER的设计与实现 | 第113-125页 |
| ·任务背景 | 第113页 |
| ·IEventMiner系统的设计 | 第113-119页 |
| ·IEventMiner系统的设计思路 | 第113-115页 |
| ·IEventMiner系统的总体结构 | 第115-116页 |
| ·IEventMiner系统各功能模块定义 | 第116-119页 |
| ·IEventMiner系统的实现 | 第119-123页 |
| ·IEventMiner系统的特点 | 第123-124页 |
| ·本章小结 | 第124-125页 |
| 第七章 总结与展望 | 第125-131页 |
| ·论文的主要贡献 | 第125-128页 |
| ·进一步的工作 | 第128-131页 |
| 致谢 | 第131-133页 |
| 参考文献 | 第133-144页 |
| 附录A: 攻读博士学位期间发表和录用的论文 | 第144-147页 |
| 附录B: 攻读博士学位期间参与的主要科研工作及获奖情况 | 第147-148页 |
| 附录C: 论文中常用缩略语对照表 | 第148-149页 |
| 附录D: 事件相关多文档摘要生成的部分结果 | 第149-157页 |
