话题检测与跟踪算法的研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-20页 |
| ·课题研究背景 | 第10页 |
| ·话题检测、话题跟踪的发展与现状 | 第10-12页 |
| ·TDT研究任务及主要技术 | 第12-17页 |
| ·话题检测与跟踪的任务 | 第12-16页 |
| ·实现话题检测的主要技术 | 第16页 |
| ·实现话题跟踪的主要技术 | 第16-17页 |
| ·TDT的研究前景 | 第17-18页 |
| ·本文主要工作及组织安排 | 第18-20页 |
| ·本文主要研究内容 | 第18页 |
| ·全文组织安排 | 第18-20页 |
| 2 话题检测与跟踪的常用技术 | 第20-32页 |
| ·常用的文本聚类方法 | 第20-23页 |
| ·划分方法 | 第20-21页 |
| ·层次聚类方法 | 第21-22页 |
| ·基于密度的方法 | 第22页 |
| ·基于网格的方法 | 第22-23页 |
| ·基于模型的方法 | 第23页 |
| ·中英文文本预处理差异 | 第23-24页 |
| ·新闻文本模型的表示 | 第24-26页 |
| ·语言模型 | 第25页 |
| ·向量空间模型 | 第25-26页 |
| ·文本特征选择及特征权重计算方法 | 第26-29页 |
| ·文本特征选择 | 第26-28页 |
| ·特征权重计算 | 第28-29页 |
| ·文本相似度的计算方法 | 第29-30页 |
| ·语言模型的相似度计算 | 第29页 |
| ·向量空间模型的相似度计算 | 第29-30页 |
| ·类簇的相似度计算方法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 3 基于时间信息的自适应话题跟踪算法的研究 | 第32-49页 |
| ·传统话题跟踪的算法 | 第32-37页 |
| ·传统话题跟踪的思想与处理流程 | 第32页 |
| ·话题跟踪的文本预处理模块 | 第32-34页 |
| ·构建话题模型模块 | 第34-35页 |
| ·相似度计算及阈值比较模块 | 第35-36页 |
| ·算法性能评价模块 | 第36-37页 |
| ·自适应的话题跟踪 | 第37-38页 |
| ·时间信息在话题跟踪中的应用 | 第38-41页 |
| ·话题跟踪的测试语料 | 第41-42页 |
| ·效果评价指标 | 第42-43页 |
| ·实验结果与分析 | 第43-48页 |
| ·本章小结 | 第48-49页 |
| 4 基于层次聚类的话题检测算法的研究 | 第49-60页 |
| ·传统的话题检测中的层次聚类算法 | 第49-50页 |
| ·传统层次聚类的基本思想 | 第49页 |
| ·传统话题检测中层次聚类算法的流程 | 第49-50页 |
| ·话题检测算法的改进策略 | 第50-52页 |
| ·话题类簇向量的特征更新 | 第50-51页 |
| ·话题检测过程中新闻报道合并的规则 | 第51-52页 |
| ·改进后的话题检测算法 | 第52-57页 |
| ·构建报道向量并建立矩阵 | 第52-54页 |
| ·话题类簇代表向量的更新模块 | 第54页 |
| ·话题检测中的报道合并 | 第54-57页 |
| ·实验结果与分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 5 结论 | 第60-62页 |
| ·研究工作总结 | 第60页 |
| ·今后课题研究方向 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 学位论文数据集 | 第66页 |
