| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题背景及研究意义 | 第10-12页 |
| 1.2 相关工作的研究现状及分析 | 第12-17页 |
| 1.2.1 信息抽取的研究现状 | 第13-14页 |
| 1.2.2 事件检测的研究现状 | 第14-16页 |
| 1.2.3 事件摘要的研究现状 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 论文主要组织结构 | 第18-20页 |
| 第2章 社交数据的特征抽取 | 第20-32页 |
| 2.1 词汇特征 | 第20-21页 |
| 2.2 主题特征 | 第21-26页 |
| 2.2.1 主题模型 | 第21-23页 |
| 2.2.2 BTM主题模型 | 第23-25页 |
| 2.2.3 BTM与LDA模型对比 | 第25-26页 |
| 2.2.4 主题特征生成 | 第26页 |
| 2.3 权重特征 | 第26-31页 |
| 2.3.1 基于TF-IDF的权重 | 第27-28页 |
| 2.3.2 基于graph-of-words的权重 | 第28-30页 |
| 2.3.3 权重特征生成 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于深度学习的事件检测与摘要 | 第32-48页 |
| 3.1 事件检测与摘要模型框架 | 第32-34页 |
| 3.1.1 事件提及数据筛选 | 第32页 |
| 3.1.2 事件检测 | 第32-33页 |
| 3.1.3 事件摘要 | 第33-34页 |
| 3.2 词向量输入分析 | 第34-35页 |
| 3.3 基于CNN的分布式语义表示 | 第35-38页 |
| 3.3.1 CNN模型介绍 | 第35-38页 |
| 3.3.2 句子分布式语义表示的CNN模型设计 | 第38页 |
| 3.4 基于LSTM的分布式语义表示 | 第38-42页 |
| 3.4.1 LSTM模型介绍 | 第39-41页 |
| 3.4.2 句子分布式语义表示的BLSTM模型设计 | 第41-42页 |
| 3.5 事件检测与摘要模型联合训练 | 第42-44页 |
| 3.5.1 基于CNN的事件检测与摘要联合训练模型设计 | 第42-43页 |
| 3.5.2 基于BLSTM的事件检测与摘要联合训练模型设计 | 第43-44页 |
| 3.6 基于深度学习的联合模型与统计方法对比实验 | 第44-47页 |
| 3.6.1 实验数据 | 第44-45页 |
| 3.6.2 评价指标 | 第45-46页 |
| 3.6.3 实验设置 | 第46页 |
| 3.6.4 实验结果对比分析 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第4章 基于深度学习与多元特征相结合的事件检测与摘要 | 第48-56页 |
| 4.1 基于词汇特征的BLSTM输入重构 | 第48-49页 |
| 4.2 基于主题特征的聚类环节输入重构 | 第49-50页 |
| 4.3 基于权重特征的摘要打分重构 | 第50页 |
| 4.4 深度学习与多元特征相融合的事件检测与摘要框架 | 第50-51页 |
| 4.5 相关模型对比实验 | 第51-55页 |
| 4.5.1 本文所用数据集上相关工作介绍 | 第51-54页 |
| 4.5.2 实验设置 | 第54页 |
| 4.5.3 实验结果及对比分析 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间发表的论文 | 第64-66页 |
| 致谢 | 第66-67页 |
