| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| CONTENTS | 第10-13页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 文档的主题提取研究 | 第14-15页 |
| 1.2.2 语音的主题提取研究现状 | 第15-16页 |
| 1.2.3 主题模型的研究发展 | 第16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第二章 语音主题提取的相关技术 | 第18-39页 |
| 2.1 语音主题中的术语定义 | 第18-19页 |
| 2.2 评测方法 | 第19-22页 |
| 2.2.1 评测的一般原则和方法 | 第19-20页 |
| 2.2.2 语音主题提取评测 | 第20-22页 |
| 2.3 常见的数据处理相关技术 | 第22-30页 |
| 2.3.1 语音文本预处理 | 第22-23页 |
| 2.3.2 语音文本表示 | 第23-25页 |
| 2.3.3 语音文本特征提取方法 | 第25-26页 |
| 2.3.4 特征提取的算法简介及改进 | 第26-30页 |
| 2.4 主题识别算法 | 第30-38页 |
| 2.4.1 决策树 | 第30-32页 |
| 2.4.2 K最近邻 | 第32-33页 |
| 2.4.3 朴素贝叶斯 | 第33-34页 |
| 2.4.4 支持向量机 | 第34-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 语音主题模型算法 | 第39-53页 |
| 3.1 语音主题模型的背景 | 第39-40页 |
| 3.2 潜在Dirichlet分配模型 | 第40-45页 |
| 3.2.1 语音主题模型思想简介 | 第40-41页 |
| 3.2.2 LDA模型 | 第41-44页 |
| 3.2.3 LDA的改进 | 第44-45页 |
| 3.3 LDA模型算法与其它算法比较 | 第45-52页 |
| 3.3.1 TF-IDF模型 | 第45-46页 |
| 3.3.2 Mixture of unigrams模型 | 第46-47页 |
| 3.3.3 潜在语义索引模型 | 第47-50页 |
| 3.3.4 概率潜在语义索引模型 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 语音主题提取模型建立 | 第53-61页 |
| 4.1 语音主题数选取及优化 | 第53-57页 |
| 4.1.1 最优语音主题数的选择 | 第53-54页 |
| 4.1.2 优化最优语音主题数的选择 | 第54-57页 |
| 4.2 参数估计 | 第57-58页 |
| 4.3 LDA模型与SVM相结合的语音主题提取 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 语音主题提取实验结果与分析 | 第61-69页 |
| 5.1 实验环境 | 第61-64页 |
| 5.1.1 支持向量机的训练环境 | 第61页 |
| 5.1.2 LDA建模环境 | 第61-64页 |
| 5.2 实验结果与分析 | 第64-68页 |
| 5.2.1 数据集的选择 | 第64-65页 |
| 5.2.2 实验结果分析 | 第65-68页 |
| 5.3 本章小结 | 第68-69页 |
| 总结与展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读学位期间发表论文 | 第73-75页 |
| 致谢 | 第75页 |