| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-19页 |
| 1.1. 研究目的和意义 | 第10-12页 |
| 1.2. 相关研究概述 | 第12-17页 |
| 1.2.1. 图像特征提取与表达相关研究概述 | 第12-13页 |
| 1.2.2. 主题建模相关研究概述 | 第13-14页 |
| 1.2.3. 自动文摘相关研究概述 | 第14-16页 |
| 1.2.4. 深度学习相关研究概述 | 第16-17页 |
| 1.3. 论文组织结构 | 第17-19页 |
| 第2章 基于字典学习和Min-Hash的专题图像特征表达 | 第19-35页 |
| 2.1. 引言 | 第19页 |
| 2.2. 图像特征提取相关研究概述 | 第19-22页 |
| 2.2.1. 颜色特征提取 | 第19-20页 |
| 2.2.2. SIFT特征提取 | 第20-21页 |
| 2.2.3. HOG特征提取 | 第21-22页 |
| 2.3. 基于字典学习的专题图像视觉词典构造 | 第22-25页 |
| 2.3.1. 经典方法——基于K-means聚类的视觉词典构造 | 第22-23页 |
| 2.3.2. 改进的方法——基于Lasso约束的视觉词典构造 | 第23-25页 |
| 2.4. 基于Min-Hash的专题图像特征表达 | 第25-28页 |
| 2.4.1. 局部敏感哈希 | 第25-27页 |
| 2.4.2. 基于Min-Hash的图像特征表达 | 第27-28页 |
| 2.5. 专题图像特征表达实验 | 第28-33页 |
| 2.6. 本章小结 | 第33-35页 |
| 第3章 基于半监督层次化主题模型的专题文本及图像聚类 | 第35-51页 |
| 3.1. 引言 | 第35页 |
| 3.2. 经典主题模型概述 | 第35-39页 |
| 3.2.1. 潜在语义分析(LSA) | 第35-36页 |
| 3.2.2. 概率潜在语义分析(pLSA) | 第36-37页 |
| 3.2.3. 潜在狄利克雷分配(LDA) | 第37-39页 |
| 3.3. 原型方法——层次潜在狄利克雷分配(hLDA) | 第39-42页 |
| 3.4. 改进的方法——半监督层次化主题模型(shTM) | 第42-47页 |
| 3.5. 专题文本及图像聚类实验 | 第47-50页 |
| 3.6. 本章小结 | 第50-51页 |
| 第4章 基于深度学习的专题摘要自动生成 | 第51-69页 |
| 4.1. 引言 | 第51页 |
| 4.2. 基于深度学习的文本单元表达 | 第51-61页 |
| 4.2.1. 统计语言模型 | 第51-54页 |
| 4.2.2. 原型方法1——基于Word2Vec的词向量生成 | 第54-57页 |
| 4.2.3. 原型方法2——基PV-DM和PV-DBOW模型的句向量生成 | 第57-59页 |
| 4.2.4. 改进的方法——基于Sent2Vec模型的句向量生成 | 第59-61页 |
| 4.3. 基于仿射传播聚类的文本单元抽取 | 第61-63页 |
| 4.4. 专题摘要生成实验 | 第63-68页 |
| 4.5. 本章小结 | 第68-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1. 主要工作内容 | 第69页 |
| 5.2. 进一步研究方向 | 第69-71页 |
| 参考文献 | 第71-78页 |
| 作者简介 | 第78-79页 |
| 攻读硕士学位期间主要的研究成果 | 第79页 |
| 攻读硕士学位期间参与项目 | 第79-80页 |
| 致谢 | 第80页 |
