| 中文摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 文本主题表示方法 | 第12-13页 |
| 1.2.2 文本主题学习方法 | 第13-15页 |
| 1.3 研究工作及内容 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 第2章 相关理论介绍 | 第17-29页 |
| 2.1 元数据 | 第17-18页 |
| 2.1.1 元数据简介 | 第17-18页 |
| 2.1.2 学术论文元数据 | 第18页 |
| 2.2 LDA主题模型 | 第18-21页 |
| 2.2.1 LDA主题模型简介 | 第18-20页 |
| 2.2.2 GibbsSampling算法 | 第20-21页 |
| 2.3 Apriori算法 | 第21-22页 |
| 2.4 分布式词向量 | 第22-24页 |
| 2.4.1 Skip-gram模型 | 第23-24页 |
| 2.4.2 负采样算法 | 第24页 |
| 2.5 句子级别主题模型 | 第24-27页 |
| 2.5.1 长短时记忆神经网络 | 第24-26页 |
| 2.5.2 句子级别主题模型简介 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 基于三元组的文本主题表示 | 第29-39页 |
| 3.1 基本思想 | 第29页 |
| 3.2 改进的主题语义表示方法 | 第29-35页 |
| 3.2.1 融合学术论文元数据的LDA主题学习 | 第30-31页 |
| 3.2.2 加权关联规则挖掘算法 | 第31-34页 |
| 3.2.3 基于三元组的主题语义表示 | 第34-35页 |
| 3.3 实验与分析 | 第35-38页 |
| 3.3.1 实验数据集 | 第35页 |
| 3.3.2 实验设置 | 第35-36页 |
| 3.3.3 评价方法 | 第36页 |
| 3.3.4 实验结果分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于神经网络的文本主题学习 | 第39-49页 |
| 4.1 基本思想 | 第39页 |
| 4.2 改进的主题语义学习方法 | 第39-43页 |
| 4.2.1 基于困惑度的LDA主题学习 | 第40-41页 |
| 4.2.2 Topic2Vec模型 | 第41-42页 |
| 4.2.3 基于Topic2Vec模型的主题语义学习 | 第42-43页 |
| 4.3 Topic2Vec模型实验与分析 | 第43-48页 |
| 4.3.1 实验数据集 | 第43页 |
| 4.3.2 实验设置 | 第43-44页 |
| 4.3.3 评价方法 | 第44-45页 |
| 4.3.4 实验结果分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间发表的论文 | 第55页 |