微博中的开放域事件抽取
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文概述 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-14页 |
| 第2章 文本预处理 | 第14-18页 |
| 2.1 数据获取 | 第14-15页 |
| 2.2 预处理过程 | 第15-17页 |
| 2.2.1 文本过滤 | 第15页 |
| 2.2.2 分词 | 第15-16页 |
| 2.2.3 去除停用词 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第3章 基于条件随机场的事件抽取方法 | 第18-32页 |
| 3.1 事件抽取 | 第18-20页 |
| 3.1.1 识别命名实体 | 第18-19页 |
| 3.1.2 提取事件短语 | 第19-20页 |
| 3.2 相关的序列标记模型概述 | 第20-24页 |
| 3.2.1 隐马尔可夫模型 | 第20-22页 |
| 3.2.2 最大熵模型 | 第22-23页 |
| 3.2.3 最大熵马尔可夫模型 | 第23-24页 |
| 3.3 基于条件随机场的事件抽取 | 第24-31页 |
| 3.3.1 条件随机场模型 | 第25-27页 |
| 3.3.2 特征选择 | 第27-28页 |
| 3.3.3 标记方法 | 第28-30页 |
| 3.3.4 训练过程 | 第30-31页 |
| 3.3.5 推理过程 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于LDA模型的事件分类 | 第32-44页 |
| 4.1 微博中的文本分类 | 第32页 |
| 4.2 相关的文本分类方法简述 | 第32-35页 |
| 4.2.1 向量空间模型 | 第32-33页 |
| 4.2.2 LSA模型 | 第33-34页 |
| 4.2.3 PLSA模型 | 第34-35页 |
| 4.3 基于LDA模型的事件分类 | 第35-43页 |
| 4.3.1 LDA模型 | 第36-37页 |
| 4.3.2 模拟语料生成过程 | 第37-38页 |
| 4.3.3 数据采样 | 第38-41页 |
| 4.3.4 训练和推理过程 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 时间处理和事件排序 | 第44-48页 |
| 5.1 时间处理 | 第44-45页 |
| 5.2 事件排序 | 第45-46页 |
| 5.3 本章小结 | 第46-48页 |
| 第6章 实验结果与分析 | 第48-54页 |
| 6.1 系统实现 | 第48-49页 |
| 6.2 事件抽取结果 | 第49-50页 |
| 6.3 LDA模型参数 | 第50-51页 |
| 6.4 事件类别标签 | 第51-52页 |
| 6.5 系统结果分析 | 第52-53页 |
| 6.6 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间所取得的科研成果 | 第60-62页 |
| 致谢 | 第62页 |
