| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究现状和特点 | 第8-10页 |
| 1.2.1 抽取式摘要 | 第9页 |
| 1.2.2 生成式摘要 | 第9-10页 |
| 1.3 本课题研究内容和主要创新 | 第10-11页 |
| 1.3.1 研究内容 | 第10页 |
| 1.3.2 主要创新 | 第10-11页 |
| 1.4 本课题组织结构 | 第11-12页 |
| 第2章 自动文本摘要典型方法 | 第12-24页 |
| 2.1 引言 | 第12页 |
| 2.2 传统自动文摘算法介绍 | 第12-15页 |
| 2.2.1 基于统计的TF-IDF模型 | 第12-13页 |
| 2.2.2 基于图排序的Textrank模型 | 第13-15页 |
| 2.3 深度学习模型相关技术 | 第15-23页 |
| 2.3.1 CNN模型 | 第15-18页 |
| 2.3.2 RNN模型 | 第18-22页 |
| 2.3.3 Encoder-Decoder框架和Attention机制 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 融合逻辑语义的TextRank改进自动文摘系统 | 第24-34页 |
| 3.1 模型改进设计 | 第24-27页 |
| 3.1.1 词嵌入 | 第25-26页 |
| 3.1.2 句子间逻辑语义 | 第26-27页 |
| 3.1.3 文本单元重要性计算 | 第27页 |
| 3.2 实验数据集 | 第27-29页 |
| 3.3 评估方法 | 第29-30页 |
| 3.3.1 人工评价方法 | 第29页 |
| 3.3.2 自动评价方法 | 第29-30页 |
| 3.4 实验结果与分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于深度学习方法的自动文摘实现 | 第34-41页 |
| 4.1 问题转化 | 第34页 |
| 4.2 模型设计 | 第34-37页 |
| 4.2.1 总体设计思路 | 第34-36页 |
| 4.2.2 生成摘要优化算法Beam Search | 第36-37页 |
| 4.3 RFM模型 | 第37-39页 |
| 4.3.1 融合丰富文本特征的输入设计 | 第38页 |
| 4.3.2 Encode端的双层Attention设计 | 第38-39页 |
| 4.4 实验结果与分析 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 自动文摘系统环境搭建 | 第41-45页 |
| 5.1 引言 | 第41页 |
| 5.2 基础平台搭建 | 第41页 |
| 5.2.1 安装Linux系统 | 第41页 |
| 5.2.2 安装Anaconda | 第41页 |
| 5.3 自动文摘系统环境配置 | 第41-44页 |
| 5.3.1 主流深度学习框架对比 | 第42-43页 |
| 5.3.2 系统环境搭建 | 第43-44页 |
| 5.4 本章小结 | 第44-45页 |
| 第6章 结论与展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 攻读硕士学位期间发表科研成果与实习经历 | 第52页 |
