基于主题的短文本自动摘要抽取研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究历史与现状 | 第12-16页 |
| 1.2.1 单文档自动摘要 | 第12-14页 |
| 1.2.2 多文档自动摘要 | 第14-15页 |
| 1.2.3 短文本自动摘要 | 第15-16页 |
| 1.3 本论文的主要工作 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-18页 |
| 第二章 相关理论及方法 | 第18-32页 |
| 2.1 自动摘要的相关研究 | 第18-24页 |
| 2.1.1 自动摘要的定义及其分类 | 第18-20页 |
| 2.1.1.1 自动摘要的定义 | 第18页 |
| 2.1.1.2 自动摘要的分类 | 第18-20页 |
| 2.1.2 自动摘要的方法 | 第20-23页 |
| 2.1.2.1 基于词汇链的自动摘要方法 | 第20-21页 |
| 2.1.2.2 最大边缘相关方法 | 第21-22页 |
| 2.1.2.3 基于图排序的自动摘要的方法 | 第22-23页 |
| 2.1.3 自动摘要的评测方法 | 第23-24页 |
| 2.2 短文本处理的相关技术 | 第24-31页 |
| 2.2.1 短文本建模 | 第24-27页 |
| 2.2.2 短文本特征抽取 | 第27-29页 |
| 2.2.2.1 统计特征 | 第27-28页 |
| 2.2.2.2 语义特征 | 第28-29页 |
| 2.2.3 短文本的相似度计算 | 第29-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 基于主题的短文本向量表示模型 | 第32-48页 |
| 3.1 短文本的特征分析 | 第32-34页 |
| 3.1.1 短文本的特点 | 第32-33页 |
| 3.1.2 传统表示模型存在的问题 | 第33-34页 |
| 3.2 基于主题的短文本向量表示模型 | 第34-44页 |
| 3.2.1 基于语义的向量表示模型缺点 | 第35页 |
| 3.2.2 LDA主题词向量 | 第35-37页 |
| 3.2.3 主题向量表示模型的总体框架 | 第37-39页 |
| 3.2.4 模型求解 | 第39-44页 |
| 3.2.4.1 损失函数 | 第40-41页 |
| 3.2.4.2 批量梯度下降求解模型 | 第41-43页 |
| 3.2.4.3 模型的JS散度评估 | 第43-44页 |
| 3.3 实验及结果分析 | 第44-47页 |
| 3.3.1 数据集的准备 | 第44页 |
| 3.3.2 实验及结果分析 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 LDA-CoRank自动摘要抽取算法 | 第48-60页 |
| 4.1 基于短文本的LDA-CoRank算法 | 第48-56页 |
| 4.1.1 LDA-CoRank算法的基本框架 | 第49-51页 |
| 4.1.2 重定义词项权重 | 第51-53页 |
| 4.1.3 基于短文本向量的边关系构造 | 第53-55页 |
| 4.1.4 融入词句关系的打分方法 | 第55-56页 |
| 4.2 摘要的生成与优化 | 第56-59页 |
| 4.2.1 MMR冗余度控制 | 第56-57页 |
| 4.2.2 摘要的重组及生成 | 第57-58页 |
| 4.2.3 参数分析及确定 | 第58-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第五章 LDA-CoRank自动摘要实验 | 第60-70页 |
| 5.1 数据集 | 第60-61页 |
| 5.2 实验内容 | 第61页 |
| 5.3 实验结果及分析 | 第61-69页 |
| 5.3.1 自动摘要抽取结果 | 第61-63页 |
| 5.3.2 内部评测ROUGE | 第63-67页 |
| 5.3.3 人工交互评测 | 第67-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
