首页亚洲性爱av,丰满少妇人妻hd高清大

內(nèi)容簡介

　　向量空間檢索模型在話題識別與追蹤領(lǐng)域的成功應(yīng)用，從理論上證明用于信息檢索的貝葉斯網(wǎng)絡(luò)模型亦可用于該領(lǐng)域。信念網(wǎng)絡(luò)模型屬于基于貝葉斯網(wǎng)絡(luò)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(gòu)建，為該領(lǐng)域提出新的研究方法?？紤]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(chǔ)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(shù)語的權(quán)重。為了獲得每個話題的初始特征子集規(guī)模，給出基于類內(nèi)距離*小、類間距離大的目標函數(shù)，并采用坐標下降法對其求解結(jié)合信念網(wǎng)絡(luò)模型和新聞報道的特點，給出四個基于信念網(wǎng)絡(luò)的話題模型BSTM-I、BSTM-II、BDTM-I和BDTM-II。BSTM-I、BSTM-II屬于靜態(tài)話題模型，其區(qū)別是節(jié)點層數(shù)、類型。BDTM-I屬于動態(tài)話題模型，節(jié)點類型和弧的意義與靜態(tài)模型相同，不同的是在話題追蹤過程中，其術(shù)語層會隨著話題的發(fā)展而不斷更新，包括術(shù)語權(quán)重的更新和術(shù)語節(jié)點的插入、刪除。以上三個話題模型沿用了傳統(tǒng)建模思想，具備和以往模型相同的優(yōu)缺點。BDTM-II打破傳統(tǒng)建模的思想，運用信念網(wǎng)絡(luò)模型提供了一個靈活框架的優(yōu)勢，將術(shù)語節(jié)點分為兩類：初始核心術(shù)語節(jié)點和更新術(shù)語節(jié)點，并采用析取手段將它們作為兩類證據(jù)進行歸并。依據(jù)模型的拓撲結(jié)構(gòu)、貝葉斯概率和條件獨立性假設(shè)給出了上述四個話題模型的概率推導(dǎo)。*后，專著將在上述內(nèi)容的基礎(chǔ)上，進行基于信念網(wǎng)絡(luò)的話題模型優(yōu)化研究，以期進一步提高模型的綜合性能。

作者簡介

　　暫無相關(guān)內(nèi)容

圖書目錄

前言
第1章緒論
1．1 研究背景
1．2 研究現(xiàn)狀
1．2．1 話題識別與追蹤研究現(xiàn)狀
1．2．2 話題識別與追蹤模型研究現(xiàn)狀
1．2．3 信念網(wǎng)絡(luò)及應(yīng)用研究現(xiàn)狀
1．3 研究內(nèi)容與研究目標
1．4 本書主要創(chuàng)新點
1．5 組織結(jié)構(gòu)
第2章研究基礎(chǔ)
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(guān)研究
2．2．1 發(fā)展歷程
2．2．2 相關(guān)概念
2．2．3 研究任務(wù)
2．2．4 實現(xiàn)方法
2．2．5 經(jīng)典話題模型及擴展研究
2．3 貝葉斯網(wǎng)絡(luò)理論
2．3．1 貝葉斯網(wǎng)絡(luò)的概率基礎(chǔ)
2．3．2 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)
2．3．3 貝葉斯網(wǎng)絡(luò)的推理
2．3．4 基于貝葉斯網(wǎng)絡(luò)的信息檢索模型
2．4 本章小結(jié)
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(tài)互信息
3．6．2 特征子集規(guī)模的確定
3．7 實驗與分析
3．7．1 目標函數(shù)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(jié)
第4章基于信念網(wǎng)絡(luò)的靜態(tài)話題模型
4．1 引言
4．2 靜態(tài)話題模型理論
4．3 基于信念網(wǎng)絡(luò)的靜態(tài)話題模型Ⅰ
4．4 基于信念網(wǎng)絡(luò)的靜態(tài)話題模型Ⅱ
4．4．1 建模基礎(chǔ)
4．4．2 模型拓撲結(jié)構(gòu)及概率推導(dǎo)
4．5 實驗與分析
4．5．1 實驗過程
4．5．2 實驗結(jié)果及分析
4．6 本章小結(jié)
第5章基于信念網(wǎng)絡(luò)的動態(tài)話題模型
5．1 引言
5．2 動態(tài)話題模型理論
5．2．1 自適應(yīng)學(xué)習(xí)理論
5．2．2 增量式學(xué)習(xí)算法
5．2．3 結(jié)構(gòu)化話題模型的動態(tài)變形
5．3 基于信念網(wǎng)絡(luò)的動態(tài)話題模型Ⅰ
5．4 基于信念網(wǎng)絡(luò)的動態(tài)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(jié)果
5．5．3 實驗分析
5．6 本章小結(jié)
第6章誤報檢測用于優(yōu)化基于信念網(wǎng)絡(luò)的動態(tài)話題模型Ⅱ
6．1 引言
6．2 主流靜態(tài)分析技術(shù)
6．3 動態(tài)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(jié)果及分析
6．6 本章小結(jié)
第7章動態(tài)話題追蹤中的時序權(quán)重
7．1 研究基礎(chǔ)
7．2 時序權(quán)重及動態(tài)更新
7．3 實驗及分析
7．3．1 時間距離閾值α
7．3．2 權(quán)重閾值β
7．3．3 時序權(quán)重有效性驗證
7．4 本章小結(jié)
第8章基于話題的事件相似度計算
8．1 基礎(chǔ)知識
8．1．1 相關(guān)概念
8．1．2 模板設(shè)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(nèi)容及分析
8．5 本章小結(jié)
第9章總結(jié)與展望
9．1 本書的主要工作
9．2 對今后工作的展望
參考文獻