| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究概况 | 第10-15页 |
| 1.2.1 抽取式研究概况 | 第10-13页 |
| 1.2.2 抽象式研究概况 | 第13-15页 |
| 1.3 研究目标及内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 相关理论概述 | 第17-28页 |
| 2.1 相关概念 | 第17-19页 |
| 2.2 自动摘要相关 | 第19-24页 |
| 2.2.1 自动摘要任务分类 | 第19页 |
| 2.2.2 抽取式自动摘要方法 | 第19-21页 |
| 2.2.3 抽象式自动摘要方法 | 第21-23页 |
| 2.2.4 自动摘要评测方法 | 第23-24页 |
| 2.2.5 自动摘要常用数据集 | 第24页 |
| 2.3 K-means文本聚类 | 第24-25页 |
| 2.4 Encoder-Decoder框架 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 子主题划分和时间戳技术应用 | 第28-41页 |
| 3.1 社交媒体消息特征与预处理 | 第28-31页 |
| 3.1.1 社交媒体消息特征 | 第28-30页 |
| 3.1.2 社会关注度计算 | 第30-31页 |
| 3.1.3 文本预处理方法 | 第31页 |
| 3.2 社交媒体文本时间戳的统一处理 | 第31-33页 |
| 3.3 基于改进K-means聚类的子主题识别 | 第33-38页 |
| 3.3.1 向量空间模型 | 第33页 |
| 3.3.2 改进的相似度度量方法 | 第33-34页 |
| 3.3.3 使用Canopy算法做聚类预处理 | 第34-36页 |
| 3.3.4 利用K-means聚类识别子主题 | 第36-38页 |
| 3.4 子主题文本集合构造 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于Encoder-Decoder框架的模型生成摘要 | 第41-49页 |
| 4.1 采用词嵌入机制进行文本表示 | 第41-43页 |
| 4.2 摘要模型构建 | 第43-48页 |
| 4.2.1 基于GRU的Encoder模块编码 | 第43-46页 |
| 4.2.2 应用拷贝机制的Decoder模块 | 第46-48页 |
| 4.3 事件摘要生成 | 第48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 实验与评测 | 第49-58页 |
| 5.1 数据集与准备 | 第49-51页 |
| 5.1.1 数据集与实验对比方法 | 第49-50页 |
| 5.1.2 摘要自动评测方法 | 第50页 |
| 5.1.3 摘要人工评测方法 | 第50-51页 |
| 5.2 子主题划分实验结果 | 第51-52页 |
| 5.3 自动摘要实验结果与分析 | 第52-56页 |
| 5.3.1 自动摘要结果 | 第52-53页 |
| 5.3.2 摘要的自动评测结果 | 第53-55页 |
| 5.3.3 摘要的人工评测结果 | 第55-56页 |
| 5.4 自动摘要评测综合分析 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 硕士期间发表的论文和参与的项目 | 第65-66页 |
| 致谢 | 第66-67页 |