| 创新点摘要 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-13页 |
| 第1章 绪论 | 第13-33页 |
| ·研究目的和意义 | 第13-15页 |
| ·文本自动摘要概述 | 第15-23页 |
| ·自动摘要技术的国内外研究现状 | 第15-18页 |
| ·单文档自动摘要的基本方法 | 第18-21页 |
| ·多文档自动摘要的关键技术 | 第21-22页 |
| ·自动摘要系统的评价标准 | 第22-23页 |
| ·信息抽取概述 | 第23-28页 |
| ·信息抽取的定义 | 第23页 |
| ·信息抽取的国内外研究现状 | 第23-26页 |
| ·信息抽取的关键技术 | 第26-28页 |
| ·信息抽取的评价指标 | 第28页 |
| ·EBM及数据集 | 第28-30页 |
| ·论文组织结构 | 第30-33页 |
| 第2章 段落特征与隐马尔可夫模型相结合的信息抽取方法 | 第33-41页 |
| ·隐马尔可夫模型 | 第34-35页 |
| ·段落特征与隐马尔可夫模型相结合的信息抽取方法 | 第35-37页 |
| ·段落特征 | 第35-36页 |
| ·基于隐马尔可夫模型的信息抽取 | 第36-37页 |
| ·实验结果与分析 | 第37-38页 |
| ·本章小结 | 第38-41页 |
| 第3章 互信息与遗传算法相结合的文本主题划分方法 | 第41-51页 |
| ·引入互信息 | 第41-43页 |
| ·基于互信息的主题划分方法 | 第43-46页 |
| ·基本思想 | 第43-45页 |
| ·算法步骤 | 第45-46页 |
| ·利用遗传算法优化参数 | 第46-48页 |
| ·遗传算法基本原理 | 第46页 |
| ·互信息与遗传算法相结合的文本主题划分方法 | 第46-47页 |
| ·遗传算法的实现 | 第47-48页 |
| ·实验结果 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第4章 一种对初始值不敏感的单词-文档谱聚类方法 | 第51-65页 |
| ·单词-文档谱聚类方法的敏感性分析 | 第51-56页 |
| ·矩阵S对单词-文档谱聚类结果敏感性的影响 | 第53-55页 |
| ·矩阵L对单词-文档谱聚类结果敏感性的影响 | 第55-56页 |
| ·基于模糊K-调和均值的单词-文档谱聚类方法 | 第56-58页 |
| ·实验结果与分析 | 第58-63页 |
| ·基于模糊K-调和均值的单词-文档谱聚类方法实验结果 | 第59-61页 |
| ·与K-均值、K-调和均值方法相比较的实验结果 | 第61-63页 |
| ·本章小结 | 第63-65页 |
| 第5章 基于形态学的单词-文档谱聚类方法 | 第65-79页 |
| ·典型的单词-文档谱聚类方法 | 第66-67页 |
| ·基于形态学的单词-文档谱聚类方法 | 第67-73页 |
| ·VAT灰度图 | 第68-70页 |
| ·形态学操作 | 第70-71页 |
| ·二值化 | 第71-72页 |
| ·距离变换 | 第72-73页 |
| ·确定聚类数目 | 第73页 |
| ·实验结果与分析 | 第73-78页 |
| ·基于形态学的自动确定聚类数目方法的实验结果 | 第74-77页 |
| ·基于形态学的单词-文档谱聚类方法的实验结果 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第6章 基于主题融合的Titled-LDA多文档自动摘要算法 | 第79-91页 |
| ·LDA主题模型 | 第81-83页 |
| ·基本原理 | 第81-82页 |
| ·参数估计算法 | 第82-83页 |
| ·基于主题融合的多文档自动摘要算法 | 第83-85页 |
| ·自适应不对称学习 | 第83-85页 |
| ·算法描述 | 第85页 |
| ·实验结果与分析 | 第85-89页 |
| ·LDA主题模型结果与分析 | 第86-87页 |
| ·多文档摘要评测结果与分析 | 第87-89页 |
| ·本章小结 | 第89-91页 |
| 结论 | 第91-95页 |
| 参考文献 | 第95-109页 |
| 攻读学位期间公开发表的论文 | 第109-111页 |
| 攻读学位期间参与的科研项目 | 第111-113页 |
| 致谢 | 第113页 |
