基于时态文本的在线商品流行特征提取与分析
| 摘要 | 第3-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究内容与创新点 | 第12-13页 |
| 1.2.1 研究内容 | 第12-13页 |
| 1.2.2 本文创新点 | 第13页 |
| 1.3 文章组织结构 | 第13-15页 |
| 2 相关研究综述 | 第15-33页 |
| 2.1 中文分词 | 第15-18页 |
| 2.1.1 中文分词技术 | 第15-17页 |
| 2.1.2 停用词过滤 | 第17页 |
| 2.1.3 中文分词系统 | 第17-18页 |
| 2.2 语义相似度计算 | 第18-26页 |
| 2.2.1 基于语料库统计的相似度计算 | 第18-19页 |
| 2.2.2 基于语义知识规则的相似度计算 | 第19-20页 |
| 2.2.3 基于信息量的词语语义相似度计算 | 第20-22页 |
| 2.2.4 基于HowNet的词语语义相似度计算 | 第22-26页 |
| 2.3 商品特征提取 | 第26-30页 |
| 2.3.1 基于英文的商品特征提取 | 第27-28页 |
| 2.3.2 基于中文的商品特征提取 | 第28-29页 |
| 2.3.3 流行趋势分析研究现状 | 第29-30页 |
| 2.4 TF-IDF原理 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 3 基于HowNet和信息量的词语语义相似度计算 | 第33-43页 |
| 3.1 义原相似度计算 | 第33-34页 |
| 3.2 概念相似度计算 | 第34-35页 |
| 3.3 词语语义相似度计算 | 第35-36页 |
| 3.4 实验与结果分析 | 第36-42页 |
| 3.4.1 实验数据集 | 第36页 |
| 3.4.2 实验与结果分析 | 第36-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于分词及语义剪枝的商品特征提取 | 第43-52页 |
| 4.1 在线商品文本获取 | 第43-44页 |
| 4.2 商品特征的提取 | 第44-46页 |
| 4.2.1 中文分词 | 第44-45页 |
| 4.2.2 文本过滤 | 第45页 |
| 4.2.3 语义去重 | 第45-46页 |
| 4.3 实验与结果分析 | 第46-51页 |
| 4.3.1 实验准备 | 第46页 |
| 4.3.2 评价指标 | 第46-47页 |
| 4.3.3 实验与结果分析 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 在线商品的时态文本特征模型与算法 | 第52-63页 |
| 5.1 商品时态文本表示与模型 | 第52-54页 |
| 5.1.1 商品文本表示 | 第52-53页 |
| 5.1.2 商品特征的时态文本模型 | 第53-54页 |
| 5.2 基于商品时态文本的流行特征提取算法 | 第54-59页 |
| 5.2.1 问题描述 | 第54-55页 |
| 5.2.2 算法流程 | 第55-59页 |
| 5.2.3 可行性与复杂度分析 | 第59页 |
| 5.3 实验与结果分析 | 第59-61页 |
| 5.3.1 实验准备 | 第59-60页 |
| 5.3.2 实验与结果分析 | 第60-61页 |
| 5.4 本章总结 | 第61-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 研究总结 | 第63页 |
| 6.2 不足与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录1 | 第69-71页 |
| 附录2 | 第71-73页 |
| 附录3 | 第73-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间参加的研究工作和获得的学术成果 | 第75页 |
