面向微博的事件摘要生成算法研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要内容和结构安排 | 第11-13页 |
| 第2章 相关技术 | 第13-21页 |
| 2.1 文本处理 | 第13-15页 |
| 2.1.1 中文分词 | 第13页 |
| 2.1.2 文档的特征表达 | 第13-15页 |
| 2.1.3 文本相似度计算 | 第15页 |
| 2.2 聚类算法 | 第15-17页 |
| 2.2.1 常用聚类算法 | 第15-16页 |
| 2.2.2 基于网络模型的社区检测 | 第16-17页 |
| 2.3 文档自动摘要 | 第17-20页 |
| 2.3.1 自动摘要简介 | 第17-18页 |
| 2.3.2 自动摘要的评价方法 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于关键词共现的微博事件检测算法 | 第21-38页 |
| 3.1 基于关键词共现的微博事件检测算法 | 第21-29页 |
| 3.1.1 关键词共现词图构建 | 第22-24页 |
| 3.1.2 基于关键词共现词图的社区检测算法 | 第24-28页 |
| 3.1.3 子事件文档提取 | 第28-29页 |
| 3.2 实验 | 第29-37页 |
| 3.2.1 实验数据集 | 第29-31页 |
| 3.2.2 实验评价方法 | 第31-32页 |
| 3.2.3 实验结果分析 | 第32-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 微博事件摘要生成算法 | 第38-51页 |
| 4.1 微博事件摘要生成算法 | 第38-44页 |
| 4.1.1 重要时间点检测 | 第39-40页 |
| 4.1.2 微博社会关注度与子事件重要度 | 第40-42页 |
| 4.1.3 融合社会关注度的微博评分 | 第42-43页 |
| 4.1.4 事件摘要生成 | 第43-44页 |
| 4.2 实验 | 第44-50页 |
| 4.2.1 实验数据集 | 第44-45页 |
| 4.2.2 实验评价方法 | 第45页 |
| 4.2.3 实验结果分析 | 第45-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 微博事件摘要生成系统实现 | 第51-60页 |
| 5.1 系统总体设计 | 第51-52页 |
| 5.2 模块设计与实现 | 第52-57页 |
| 5.2.1 子事件检测模块 | 第52-55页 |
| 5.2.2 事件摘要生成模块 | 第55-57页 |
| 5.3 系统效果展示 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 总结与展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |
