| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外相关技术研究现状分析 | 第10-13页 |
| 1.2.1 自动文摘相关技术研究现状及分析 | 第10-12页 |
| 1.2.2 深度学习与卷积神经网络研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 1.4 论文的组织与结构 | 第15-16页 |
| 第2章 自动文摘技术和深度学习介绍 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 自动文摘常用相关技术介绍 | 第16-19页 |
| 2.2.1 基于统计的自动文摘方法 | 第16-17页 |
| 2.2.2 基于LSI模型的自动文摘方法 | 第17-18页 |
| 2.2.3 基于LDA主题模型的自动文摘方法 | 第18-19页 |
| 2.3 深度学习模型介绍 | 第19-26页 |
| 2.3.1 词向量和神经概率语言模型 | 第19-21页 |
| 2.3.2 句子向量表示模型 | 第21-22页 |
| 2.3.3 文档向量表示模型 | 第22-23页 |
| 2.3.4 LSTM模型介绍 | 第23-24页 |
| 2.3.5 CNN模型介绍 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 中文长文本摘要数据集的构建 | 第27-42页 |
| 3.1 引言 | 第27页 |
| 3.2 数据集的分析 | 第27-29页 |
| 3.3 数据集构建架构设计 | 第29-36页 |
| 3.3.1 媒体微博的自动爬取 | 第30-32页 |
| 3.3.2 网页正文提取过程 | 第32-33页 |
| 3.3.3 数据集去噪 | 第33-34页 |
| 3.3.4 数据集分类 | 第34-36页 |
| 3.3.5 语句相似度计算方法 | 第36页 |
| 3.4 数据标注系统设计 | 第36-41页 |
| 3.4.1 相似语句检索与呈现 | 第39-40页 |
| 3.4.2 系统的改进 | 第40页 |
| 3.4.3 数据标注结果分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于卷积神经网络的自动文摘方法 | 第42-56页 |
| 4.1 引言 | 第42页 |
| 4.2 对比方法的介绍 | 第42-46页 |
| 4.2.1 基于TF-IDF统计方法的自动文摘实现 | 第42-43页 |
| 4.2.2 基于LSI和LDA模型的自动文摘实现 | 第43-44页 |
| 4.2.3 基于LSTM模型的自动文摘方法 | 第44-46页 |
| 4.3 基于CNN自动文摘方法的实现 | 第46-55页 |
| 4.3.1 词向量和字向量的构建 | 第46-49页 |
| 4.3.2 基于CNN模型的语句向量表示 | 第49-50页 |
| 4.3.3 CNN方法中两种文档向量表示 | 第50-51页 |
| 4.3.4 基于CNN方法的文本预处理 | 第51-52页 |
| 4.3.5 基于CNN的自动文摘架构 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 实验评测与结果分析 | 第56-66页 |
| 5.1 实验环境 | 第56页 |
| 5.2 自动文摘评价方法选取 | 第56-57页 |
| 5.3 实验结果对比与分析 | 第57-65页 |
| 5.3.1 其它方法实验结果对比分析 | 第57-60页 |
| 5.3.2 基于CNN方法的实验结果对比分析 | 第60-62页 |
| 5.3.3 CNN方法与其它方法实验结果对比分析 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第73-75页 |
| 致谢 | 第75页 |