| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 引言 | 第11页 |
| 1.2 关键词提取的研究背景与意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 关键词提取的定义 | 第12-13页 |
| 1.3.2 关键词提取的算法 | 第13-15页 |
| 1.4 本文的主要研究内容与创新点 | 第15-16页 |
| 1.5 本文的组织结构 | 第16页 |
| 1.6 本章小结 | 第16-17页 |
| 第二章 相关技术与概念 | 第17-31页 |
| 2.1 数据挖掘相关知识 | 第17-20页 |
| 2.1.1 数据挖掘的概念 | 第17-18页 |
| 2.1.2 数据挖掘的过程 | 第18页 |
| 2.1.3 数据挖掘的常用方法 | 第18-19页 |
| 2.1.4 数据挖掘的应用场景 | 第19-20页 |
| 2.2 关键词提取的流程与方法 | 第20-30页 |
| 2.2.1 语料确定与获取 | 第20页 |
| 2.2.2 文本分词 | 第20-22页 |
| 2.2.3 候选词的确定 | 第22页 |
| 2.2.4 候选词的特征与表示 | 第22-29页 |
| 2.2.5 算法设计 | 第29页 |
| 2.2.6 算法评估 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于词句协同的中文文本关键词提取算法 | 第31-45页 |
| 3.1 TextRank及相关算法 | 第31-34页 |
| 3.1.1 PageRank | 第31-32页 |
| 3.1.2 TextRank | 第32-33页 |
| 3.1.3 SingleRank | 第33页 |
| 3.1.4 HMM-Rank | 第33-34页 |
| 3.2 基于词句协同的关键词提取算法 | 第34-38页 |
| 3.2.1 算法思想 | 第34页 |
| 3.2.2 文本预处理 | 第34-35页 |
| 3.2.3 候选词的扩散度定义 | 第35页 |
| 3.2.4 构建文本网络 | 第35页 |
| 3.2.5 候选词初步得分 | 第35-36页 |
| 3.2.6 句子BM25相关性计算 | 第36-37页 |
| 3.2.7 候选词最终得分 | 第37-38页 |
| 3.3 实验与评估 | 第38-44页 |
| 3.3.1 实验材料与环境 | 第38页 |
| 3.3.2 评估方法 | 第38-39页 |
| 3.3.3 实验结果与分析 | 第39-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于LDA主题模型的中文文本关键词提取算法 | 第45-58页 |
| 4.1 主题模型 | 第45-51页 |
| 4.1.1 主题模型发展 | 第45-46页 |
| 4.1.2 隐含狄利克雷分配模型 | 第46-48页 |
| 4.1.3 吉布斯采样求解LDA模型 | 第48-51页 |
| 4.2 基于LDA主题模型的中文关键词提取算法 | 第51-52页 |
| 4.2.1 算法思想 | 第51页 |
| 4.2.2 算法设计 | 第51-52页 |
| 4.3 实验与评估 | 第52-57页 |
| 4.3.1 实验材料与评估方法 | 第52页 |
| 4.3.2 模型训练 | 第52-53页 |
| 4.3.3 实验结果与分析 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间取得的研究成果 | 第66页 |