| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究目的和意义 | 第11页 |
| 1.2 多文档自动文摘研究现状 | 第11-13页 |
| 1.3 话题检测与跟踪技术现状 | 第13-14页 |
| 1.4 本文研究工作 | 第14页 |
| 1.5 本章总结 | 第14-16页 |
| 第二章 文本分类理论与基础 | 第16-23页 |
| 2.1 文本分类 | 第16-19页 |
| 2.1.1 文本分类方法及算法介绍 | 第16-17页 |
| 2.1.2 文本分类性能评估 | 第17-19页 |
| 2.2 文本聚类 | 第19-21页 |
| 2.2.1 文本聚类理论 | 第19页 |
| 2.2.2 聚类算法分析 | 第19-21页 |
| 2.2.3 聚类性能分析 | 第21页 |
| 2.3 文本摘要评价标准 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 文本处理的关键技术 | 第23-30页 |
| 3.1 文本预处理 | 第23-24页 |
| 3.1.1 中文分词 | 第23-24页 |
| 3.1.2 过滤停用词 | 第24页 |
| 3.2 文本表示 | 第24-27页 |
| 3.2.1 向量空间模型 | 第25-26页 |
| 3.2.2 潜在语义索引(LSI)模型 | 第26-27页 |
| 3.2.3 概率潜在语义索引(PLSI)模型 | 第27页 |
| 3.3 文本特征选择 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 系统设计 | 第30-41页 |
| 4.1 系统总体设计思路 | 第30页 |
| 4.2 基于文档主题生成(LDA)模型文本相似度计算 | 第30-35页 |
| 4.2.1 LDA模型介绍 | 第30-34页 |
| 4.2.2 基于LDA的文本相似度计算 | 第34-35页 |
| 4.3 基于LDA主题模型的文本分类和聚类 | 第35-40页 |
| 4.3.1 基于LDA主题模型的SVM文章分类 | 第36-37页 |
| 4.3.2 基于改进的Single-Pass与Markov算法聚类 | 第37-40页 |
| 4.4 本章总结 | 第40-41页 |
| 第五章 基于搜索引擎(LexRank)算法多文档文摘 | 第41-50页 |
| 5.1 多文档文摘系统设计思路 | 第41-42页 |
| 5.2 基于LexRank算法句子权重计算 | 第42-47页 |
| 5.2.1 起源PageRank算法 | 第42-43页 |
| 5.2.2 LexRank算法介绍 | 第43-46页 |
| 5.2.3 基于句子多特征与LexRank算法融合的句子权重计算 | 第46-47页 |
| 5.3 文摘抽取 | 第47-48页 |
| 5.4 本章总结 | 第48-50页 |
| 第六章 实验结果分析 | 第50-60页 |
| 6.1 实验语料选择 | 第50页 |
| 6.2 实验环境 | 第50页 |
| 6.3 文本分类聚类实验 | 第50-54页 |
| 6.3.1 基于LDA模型的SVM算法实验结果 | 第50-53页 |
| 6.3.2 基于LDA_Single-Pass和Markov聚类实验及分析 | 第53-54页 |
| 6.4 多文档文摘实验结果分析 | 第54-58页 |
| 6.4.1 多文档文摘系统演示 | 第54-56页 |
| 6.4.2 摘要结果与分析 | 第56-58页 |
| 6.5 本章小结 | 第58-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 7.1 论文工作总结 | 第60页 |
| 7.2 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65页 |
