| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 相关工作研究现状 | 第9-12页 |
| 1.2.1 面向正式文本的事件抽取研究现状 | 第10-11页 |
| 1.2.2 面向微博文本的事件抽取研究现状 | 第11页 |
| 1.2.3 面向微博文本的事件检测研究现状 | 第11-12页 |
| 1.3 本文的研究动机 | 第12-13页 |
| 1.3.1 过去的方法在微博文本上面临困难和挑战 | 第12页 |
| 1.3.2 有监督的方法存在局限性 | 第12-13页 |
| 1.4 论文研究目标及内容 | 第13页 |
| 1.5 论文结构安排 | 第13-14页 |
| 第二章 理论知识及相关技术 | 第14-21页 |
| 2.1 LDA简介 | 第14-17页 |
| 2.2.1 LDA的模型表示 | 第14-15页 |
| 2.2.2 LDA的参数估计 | 第15-17页 |
| 2.2.3 LDA的应用 | 第17页 |
| 2.2 微博事件抽取的相关技术 | 第17-20页 |
| 2.2.1 基于多种方法的开放域微博事件抽取 | 第17-18页 |
| 2.2.2 基于条件随机场和聚类的城市交通事件抽取 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于LECM的微博事件抽取 | 第21-32页 |
| 3.1 系统框架 | 第21-24页 |
| 3.1.1 微博过滤 | 第21-22页 |
| 3.1.2 事件抽取与分类 | 第22-24页 |
| 3.2 LECM模型 | 第24-26页 |
| 3.2.1 模型介绍 | 第24-25页 |
| 3.2.2 参数估计 | 第25-26页 |
| 3.3 实验结果与分析 | 第26-31页 |
| 3.3.1 实验设置 | 第26-27页 |
| 3.3.2 实验结果 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于LECM-d的微博事件抽取 | 第32-41页 |
| 4.1 改进动机 | 第32-33页 |
| 4.2 方法介绍 | 第33-35页 |
| 4.2.1 额外预处理 | 第33页 |
| 4.2.2 LECM-d | 第33-35页 |
| 4.2.3 额外后处理 | 第35页 |
| 4.3 实验结果与分析 | 第35-39页 |
| 4.3.1 实验结果 | 第35-39页 |
| 4.3.2 错误分析 | 第39页 |
| 4.4 本章小结 | 第39-41页 |
| 第五章 总结与展望 | 第41-42页 |
| 5.1 工作总结 | 第41页 |
| 5.2 未来展望 | 第41-42页 |
| 致谢 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 在校期间发表的学术论文 | 第47页 |