| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 本文工作与主要贡献 | 第16-17页 |
| 1.3 组织结构 | 第17-19页 |
| 第二章 研究现状 | 第19-24页 |
| 2.1 事件或话题检测发展现状 | 第19-21页 |
| 2.2 文档实体排序研究现状 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于网络新闻文本的热门事件和话题检测 | 第24-41页 |
| 3.1 自然语言处理技术预备知识 | 第24-25页 |
| 3.2 事件和话题检测问题 | 第25-28页 |
| 3.2.1 概念描述 | 第25-27页 |
| 3.2.2 算法梗概 | 第27-28页 |
| 3.3 文本相似度度量学习 | 第28-32页 |
| 3.3.1 文本相似度定义 | 第29-31页 |
| 3.3.2 文本相似度参数学习 | 第31-32页 |
| 3.4 文本主题分布学习 | 第32-33页 |
| 3.5 文本聚类 | 第33-34页 |
| 3.6 实验与结果分析 | 第34-40页 |
| 3.6.1 数据集介绍 | 第34-35页 |
| 3.6.2 文本相似度参数 | 第35页 |
| 3.6.3 主题模型参数 | 第35-37页 |
| 3.6.4 事件聚类参数 | 第37-39页 |
| 3.6.5 实验与分析 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 基于前向分步算法的文档实体排序 | 第41-59页 |
| 4.1 文档实体排序问题 | 第41-43页 |
| 4.1.1 概念描述 | 第41-42页 |
| 4.1.2 LA - FSAM算法梗概 | 第42-43页 |
| 4.2 LA - FSAM模型介绍 | 第43-52页 |
| 4.2.1 LA - FSAM算法 | 第43-44页 |
| 4.2.2 基于特征的基函数构造 | 第44-48页 |
| 4.2.3 损失函数构造 | 第48-50页 |
| 4.2.4 参数学习 | 第50-52页 |
| 4.3 实验与结果分析 | 第52-58页 |
| 4.3.1 数据集介绍 | 第53页 |
| 4.3.2 相关参数设置 | 第53-54页 |
| 4.3.3 基函数叠加数量对LA - FSAM模型的影响 | 第54-55页 |
| 4.3.4 不同特征LA - FSAM模型的影响 | 第55页 |
| 4.3.5 基线方法介绍 | 第55-56页 |
| 4.3.6 实验结果 | 第56-57页 |
| 4.3.7 案例分析 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 社会热点舆情系统 | 第59-72页 |
| 5.1 系统介绍 | 第59-60页 |
| 5.2 系统架构 | 第60-64页 |
| 5.2.1 离线模块 | 第60-62页 |
| 5.2.2 在线模块 | 第62-64页 |
| 5.3 数据展示 | 第64-68页 |
| 5.4 可视化展示 | 第68-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士学位期间发表论文和科研情况 | 第85页 |