面向微博短文本的事件检测研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 存在的主要挑战 | 第15-16页 |
| 1.3 研究内容及主要贡献 | 第16-17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 第二章 相关工作 | 第20-28页 |
| 2.1 传统媒体中的事件检测 | 第20-22页 |
| 2.1.1 基于文档的事件检测 | 第20-21页 |
| 2.1.2 基于特征词的事件检测 | 第21-22页 |
| 2.2 社交媒体的事件检测 | 第22-25页 |
| 2.2.1 非监督的事件检测方法 | 第22-23页 |
| 2.2.2 有监督的事件检测技术 | 第23-24页 |
| 2.2.3 基于生成模型的事件检测 | 第24-25页 |
| 2.3 BNgram | 第25-28页 |
| 第三章 基于EventGraph图模型的事件检测 | 第28-36页 |
| 3.1 模型框架概述 | 第28-29页 |
| 3.2 EventGraph构建 | 第29-31页 |
| 3.3 基于关键节点的事件提取 | 第31-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 EventLDA:事件生成模型 | 第36-46页 |
| 4.1 定义和符号说明 | 第36-37页 |
| 4.2 EventLDA:事件生成模型 | 第37-39页 |
| 4.3 模型推导 | 第39-44页 |
| 4.3.1 参数估计:吉布斯采样 | 第41-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第五章 实验分析 | 第46-54页 |
| 5.1 数据集 | 第46-48页 |
| 5.1.1 数据描述 | 第46-48页 |
| 5.1.2 数据预处理 | 第48页 |
| 5.2 实验结果及实验分析 | 第48-51页 |
| 5.3 参数分析 | 第51-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54页 |
| 6.2 工作展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录A EventLDA生成模型详细推导 | 第60-62页 |
| 致谢 | 第62-64页 |
| 在读期间发表的学术论文与取得的研究成果 | 第64页 |
