一种基于监督主题模型的文本标签推荐技术研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第13-15页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 解决思路 | 第14页 |
| 1.3 论文结构 | 第14-15页 |
| 2 相关工作 | 第15-23页 |
| 2.1 文本标签推荐技术 | 第15-17页 |
| 2.1.1 文本关键词抽取方法 | 第15-16页 |
| 2.1.2 文本主题分析方法 | 第16-17页 |
| 2.1.3 其他文本标签推荐技术 | 第17页 |
| 2.2 主题模型 | 第17-19页 |
| 2.2.1 LDA模型 | 第17-19页 |
| 2.2.2 LLDA模型 | 第19页 |
| 2.3 相关词获取方法 | 第19-21页 |
| 2.3.1 基于大规模语义词典库 | 第20页 |
| 2.3.2 基于词向量算法 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 基于标签及相关词的在线文本标签推荐框架 | 第23-29页 |
| 3.1 背景 | 第23-24页 |
| 3.2 标签推荐框架 | 第24-27页 |
| 3.2.1 数据处理模块 | 第25页 |
| 3.2.2 相关词获取模块 | 第25-27页 |
| 3.2.3 标签推荐模块 | 第27页 |
| 3.3 本章小结 | 第27-29页 |
| 4 基于标签及相关词的主题模型SimWord | 第29-57页 |
| 4.1 背景 | 第29-30页 |
| 4.2 标签及其相关词出现的现象分析 | 第30-33页 |
| 4.3 问题描述 | 第33-35页 |
| 4.4 SimWord模型 | 第35-38页 |
| 4.5 SimWord模型的简化版本 | 第38-39页 |
| 4.6 SimWord模型的推断 | 第39-47页 |
| 4.6.1 联合概率似然计算 | 第39-41页 |
| 4.6.2 基于CVB0的训练算法 | 第41-44页 |
| 4.6.3 算法分析 | 第44-46页 |
| 4.6.4 模型的预测 | 第46-47页 |
| 4.7 实验验证与评估 | 第47-54页 |
| 4.7.1 实验相关配置 | 第48-49页 |
| 4.7.2 有效性实验结果 | 第49-52页 |
| 4.7.3 效率实验结果 | 第52-54页 |
| 4.8 本章小结 | 第54-57页 |
| 5 系统实现 | 第57-65页 |
| 5.1 系统架构 | 第57-58页 |
| 5.2 具体实现 | 第58-61页 |
| 5.2.1 数据获取模块 | 第59页 |
| 5.2.2 数据处理模块 | 第59页 |
| 5.2.3 相关词获取模块 | 第59-60页 |
| 5.2.4 预测模型训练 | 第60页 |
| 5.2.5 模型预测 | 第60-61页 |
| 5.3 系统展示 | 第61-62页 |
| 5.4 本章小结 | 第62-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 本文总结 | 第65-66页 |
| 6.2 未来展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 简历与科研成果 | 第72-73页 |
| 致谢 | 第73-74页 |
