| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 研究背景及意义 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 单一语言的新闻事件信息获取分析 | 第18-19页 |
| 1.2.2 多语言新闻事件信息获取分析 | 第19-20页 |
| 1.2.3 面向领域的新闻事件信息获取与分析 | 第20-21页 |
| 1.3 面临的关键问题 | 第21-24页 |
| 1.4 论文研究内容 | 第24-26页 |
| 1.5 论文组织结构 | 第26-28页 |
| 第二章 基于CNN的有色金属行业跨语言新闻识别 | 第28-44页 |
| 2.1 引言 | 第28-29页 |
| 2.2 相关工作 | 第29-31页 |
| 2.2.1 跨语言文本分类 | 第29-30页 |
| 2.2.2 神经网络技术 | 第30-31页 |
| 2.3 单语词向量训练 | 第31-33页 |
| 2.4 基于CCA的跨语言词向量构 | 第33-35页 |
| 2.5 基于CNN的有色金属行业相关跨语言新闻识别 | 第35-38页 |
| 2.6 实验 | 第38-42页 |
| 2.6.1 实验数据及评价指标 | 第38-39页 |
| 2.6.2 实验结果与分析 | 第39-42页 |
| 2.7 本章小结 | 第42-44页 |
| 第三章 基于事件要素的有色金属行业跨语言新闻聚类 | 第44-60页 |
| 3.1 引言 | 第44-45页 |
| 3.2 相关工作 | 第45-47页 |
| 3.2.1 文本聚类 | 第45页 |
| 3.2.2 跨语言新闻聚类 | 第45-46页 |
| 3.2.3 针对事件的新闻聚类 | 第46-47页 |
| 3.3 事件要素提取及跨语言要素相似度计算 | 第47-49页 |
| 3.4 基于支持向量机的相似度函数学习 | 第49-52页 |
| 3.5 跨语言新闻聚类 | 第52-54页 |
| 3.6 实验 | 第54-58页 |
| 3.6.1 实验数据及评价指标 | 第54-55页 |
| 3.6.2 实验及结果分析 | 第55-58页 |
| 3.7 本章小结 | 第58-60页 |
| 第四章 结合双语主题模型和图模的有色金属行业跨语言新闻摘要 | 第60-78页 |
| 4.1 引言 | 第60-61页 |
| 4.2 相关工作 | 第61-64页 |
| 4.2.1 主题模型 | 第61-62页 |
| 4.2.2 基于主题模型的文本摘要 | 第62-63页 |
| 4.2.3 基于图模型的文本摘要 | 第63-64页 |
| 4.2.4 跨语言文本摘要 | 第64页 |
| 4.3 有色金属行业跨语言新闻主题挖掘 | 第64-69页 |
| 4.4 结合主题模型和图模型的句子重要性计算 | 第69-70页 |
| 4.5 摘要生成 | 第70-72页 |
| 4.6 实验 | 第72-75页 |
| 4.6.1 实验数据及评价指标 | 第72-73页 |
| 4.6.2 实验及结果分析 | 第73-75页 |
| 4.7 本章小结 | 第75-78页 |
| 第五章 有色金属行业跨语言新闻事件相关性识别及关联图构建 | 第78-92页 |
| 5.1 引言 | 第78-79页 |
| 5.2 相关工作 | 第79-80页 |
| 5.3 有色金属行业跨语言新闻事件相关性识别 | 第80-85页 |
| 5.3.1 显式相关事件识别 | 第81-83页 |
| 5.3.2 隐式相关事件识别 | 第83-85页 |
| 5.4 有色金属行业事件关联图构建 | 第85-86页 |
| 5.5 实验 | 第86-90页 |
| 5.5.1 实验数据及评价指标 | 第86-87页 |
| 5.5.2 实验及结果分析 | 第87-90页 |
| 5.6 本章小结 | 第90-92页 |
| 第六章 原型系统设计与实现 | 第92-98页 |
| 6.1 原型系统设计 | 第92-94页 |
| 6.2 原型系统实现 | 第94-98页 |
| 第七章 总结和展望 | 第98-102页 |
| 7.1 工作总结 | 第98-99页 |
| 7.2 工作展望 | 第99-102页 |
| 致谢 | 第102-104页 |
| 参考文献 | 第104-118页 |
| 附录A 作者在攻读博士期间发表的论文 | 第118-120页 |
| 附录B 攻读博士期间参与项目 | 第120-122页 |
| 附录C 术语对照表 | 第122-123页 |
