中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
信息網絡在話題識別與追蹤中的應用研究 版權信息
- ISBN：9787030518859
- 條形碼：9787030518859 ; 978-7-03-051885-9
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
信息網絡在話題識別與追蹤中的應用研究 本書特色
向量空間檢索模型在話題識別與追蹤領域的成功應用，從理論上證明用于信息檢索的貝葉斯網絡模型亦可用于該領域。信念網絡模型屬于基于貝葉斯網絡的檢索模型的一種，專著圍繞該思想，將其用于話題識別與追蹤模型的構建，為該領域提出新的研究方法。考慮到新聞報道的特殊性，在文本處理階段，將在基本互信息的基礎上，提出融合聚類思想和時間距離的新聞話題特征選擇方法，用于計算新聞報道中術語的權重。為了獲得每個話題的初始特征子集規模，給出基于類內距離*小、類間距離*的目標函數，并采用坐標下降法對其求解結合信念網絡模型和新聞報道的特點，給出四個基于信念網絡的話題模型BSTM-I、BSTM-II、BDTM-I和BDTM-II。BSTM-I、BSTM-II屬于靜態話題模型，其區別是節點層數、類型。BDTM-I屬于動態話題模型，節點類型和弧的意義與靜態模型相同，不同的是在話題追蹤過程中，其術語層會隨著話題的發展而不斷更新，包括術語權重的更新和術語節點的插入、刪除。以上三個話題模型沿用了傳統建模思想，具備和以往模型相同的優缺點。BDTM-II打破傳統建模的思想，運用信念網絡模型提供了一個靈活框架的優勢，將術語節點分為兩類：初始核心術語節點和更新術語節點，并采用析取手段將它們作為兩類證據進行歸并。依據模型的拓撲結構、貝葉斯概率和條件獨立性假設給出了上述四個話題模型的概率推導。*后，專著將在上述內容的基礎上，進行基于信念網絡的話題模型優化研究，以期進一步提高模型的綜合性能。
信息網絡在話題識別與追蹤中的應用研究 內容簡介
《信念網絡在話題識別與追蹤中的應用研究》可以作為高等院校信息管理與信息系統、計算機科學與技術、管理科學與工程、情報學和圖書館學等專業研究生的教材，也可以作為相關領域研究人員的參考書。
信息網絡在話題識別與追蹤中的應用研究 目錄
前言
第1章 緒論
1．1 研究背景
1．2 研究現狀
1．2．1 話題識別與追蹤研究現狀
1．2．2 話題識別與追蹤模型研究現狀
1．2．3 信念網絡及應用研究現狀
1．3 研究內容與研究目標
1．4 本書主要創新點
1．5 組織結構
第2章 研究基礎
2．1 測試集合及評測標準
2．1．1 測試集合
2．1．2 評測標準
2．2 話題識別與追蹤相關研究
2．2．1 發展歷程
2．2．2 相關概念
2．2．3 研究任務
2．2．4 實現方法
2．2．5 經典話題模型及擴展研究
2．3 貝葉斯網絡理論
2．3．1 貝葉斯網絡的概率基礎
2．3．2 貝葉斯網絡的結構
2．3．3 貝葉斯網絡的推理
2．3．4 基于貝葉斯網絡的信息檢索模型
2．4 本章小結
第3章 話題特征選擇
3．1 引言
3．2 特征選擇理論
3．2．1 基于搜索策略的特征選擇方法
3．2．2 基于評價準則的特征選擇方法
3．3 基于ITF-IDF的話題特征選擇
3．4 坐標下降法
3．5 基于聚類的互信息
3．6 基于DCMI的話題特征選擇
3．6．1 動態互信息
3．6．2 特征子集規模的確定
3．7 實驗與分析
3．7．1 目標函數求解
3．7．2 DCMI和BMI性能比較
3．7．3 DCMI和ITF-IDF的追蹤性能
3．7．4 實驗分析
3．8 本章小結
第4章 基于信念網絡的靜態話題模型
4．1 引言
4．2 靜態話題模型理論
4．3 基于信念網絡的靜態話題模型Ⅰ
4．4 基于信念網絡的靜態話題模型Ⅱ
4．4．1 建模基礎
4．4．2 模型拓撲結構及概率推導
4．5 實驗與分析
4．5．1 實驗過程
4．5．2 實驗結果及分析
4．6 本章小結
第5章 基于信念網絡的動態話題模型
5．1 引言
5．2 動態話題模型理論
5．2．1 自適應學習理論
5．2．2 增量式學習算法
5．2．3 結構化話題模型的動態變形
5．3 基于信念網絡的動態話題模型Ⅰ
5．4 基于信念網絡的動態話題模型Ⅱ
5．5 實驗與分析
5．5．1 實驗過程
5．5．2 實驗結果
5．5．3 實驗分析
5．6 本章小結
第6章 誤報檢測用于優化基于信念網絡的動態話題模型Ⅱ
6．1 引言
6．2 主流靜態分析技術
6．3 動態話題追蹤誤報成因分析
6．4 誤報檢測
6．5 實驗與分析
6．5．1 實驗步驟
6．5．2 實驗結果及分析
6．6 本章小結
第7章 動態話題追蹤中的時序權重
7．1 研究基礎
7．2 時序權重及動態更新
7．3 實驗及分析
7．3．1 時間距離閾值α
7．3．2 權重閾值β
7．3．3 時序權重有效性驗證
7．4 本章小結
第8章 基于話題的事件相似度計算
8．1 基礎知識
8．1．1 相關概念
8．1．2 模板設計
8．2 事件相似度計算
8．3 同一話題下的事件相似度計算方法
8．4 實驗內容及分析
8．5 本章小結
第9章 總結與展望
9．1 本書的主要工作
9．2 對今后工作的展望
第1章 緒論
1．1 研究背景
1．2 研究現狀
1．2．1 話題識別與追蹤研究現狀
1．2．2 話題識別與追蹤模型研究現狀
1．2．3 信念網絡及應用研究現狀
1．3 研究內容與研究目標
1．4 本書主要創新點
1．5 組織結構
第2章 研究基礎
2．1 測試集合及評測標準
2．1．1 測試集合
2．1．2 評測標準
2．2 話題識別與追蹤相關研究
2．2．1 發展歷程
2．2．2 相關概念
2．2．3 研究任務
2．2．4 實現方法
2．2．5 經典話題模型及擴展研究
2．3 貝葉斯網絡理論
2．3．1 貝葉斯網絡的概率基礎
2．3．2 貝葉斯網絡的結構
2．3．3 貝葉斯網絡的推理
2．3．4 基于貝葉斯網絡的信息檢索模型
2．4 本章小結
第3章 話題特征選擇
3．1 引言
3．2 特征選擇理論
3．2．1 基于搜索策略的特征選擇方法
3．2．2 基于評價準則的特征選擇方法
3．3 基于ITF-IDF的話題特征選擇
3．4 坐標下降法
3．5 基于聚類的互信息
3．6 基于DCMI的話題特征選擇
3．6．1 動態互信息
3．6．2 特征子集規模的確定
3．7 實驗與分析
3．7．1 目標函數求解
3．7．2 DCMI和BMI性能比較
3．7．3 DCMI和ITF-IDF的追蹤性能
3．7．4 實驗分析
3．8 本章小結
第4章 基于信念網絡的靜態話題模型
4．1 引言
4．2 靜態話題模型理論
4．3 基于信念網絡的靜態話題模型Ⅰ
4．4 基于信念網絡的靜態話題模型Ⅱ
4．4．1 建模基礎
4．4．2 模型拓撲結構及概率推導
4．5 實驗與分析
4．5．1 實驗過程
4．5．2 實驗結果及分析
4．6 本章小結
第5章 基于信念網絡的動態話題模型
5．1 引言
5．2 動態話題模型理論
5．2．1 自適應學習理論
5．2．2 增量式學習算法
5．2．3 結構化話題模型的動態變形
5．3 基于信念網絡的動態話題模型Ⅰ
5．4 基于信念網絡的動態話題模型Ⅱ
5．5 實驗與分析
5．5．1 實驗過程
5．5．2 實驗結果
5．5．3 實驗分析
5．6 本章小結
第6章 誤報檢測用于優化基于信念網絡的動態話題模型Ⅱ
6．1 引言
6．2 主流靜態分析技術
6．3 動態話題追蹤誤報成因分析
6．4 誤報檢測
6．5 實驗與分析
6．5．1 實驗步驟
6．5．2 實驗結果及分析
6．6 本章小結
第7章 動態話題追蹤中的時序權重
7．1 研究基礎
7．2 時序權重及動態更新
7．3 實驗及分析
7．3．1 時間距離閾值α
7．3．2 權重閾值β
7．3．3 時序權重有效性驗證
7．4 本章小結
第8章 基于話題的事件相似度計算
8．1 基礎知識
8．1．1 相關概念
8．1．2 模板設計
8．2 事件相似度計算
8．3 同一話題下的事件相似度計算方法
8．4 實驗內容及分析
8．5 本章小結
第9章 總結與展望
9．1 本書的主要工作
9．2 對今后工作的展望
展開全部
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
朝聞道
- >
隨園食單
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
李白與唐代文化
- >
回憶愛瑪儂
- >
推拿
- >
名家帶你讀魯迅:故事新編
本類暢銷
