检索结果-南通市图书馆

检索条件"主题词=微博事件抽取"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

微博文本的事件抽取与可视化

微博文本的事件抽取与可视化

引用

作者：高天蒙东南大学

学位级别：硕士

微型博客(简称微博)作为一种具有代表性的新型传播媒体,现在已经成为一种最流行的人们表达想法,分享信息,交流意见的网络工具,对社会产生了巨大的影响。事件抽取(Event Extraction)是信息抽取领域的核心研究内容,旨在从含有事件信息的... 详细信息

微型博客(简称微博)作为一种具有代表性的新型传播媒体,现在已经成为一种最流行的人们表达想法,分享信息,交流意见的网络工具,对社会产生了巨大的影响。事件抽取(Event Extraction)是信息抽取领域的核心研究内容,旨在从含有事件信息的非结构化文本中抽取出用户感兴趣的事件信息,并将其以结构化的形式呈现出来,如什么人,在什么地方,什么时间,做了什么事等。文本可视化的目的是以丰富的图形或图像揭示以文本为载体的信息内容,是信息可视化的重要分支之一。文本可视化可以高度概括并且形象化表示文本信息的核心内容,方便人们快速的理解文本的核心思想。因此,将微博的事件抽取与可视化技术结合起来,在提取出结构化事件的同时,将其形象的展示在可视化空间中,对于直观的理解微博文本中的事件信息,以及事件之间的关系有着重要的价值。本文针对微博事件的抽取和可视化方法进行研究,主要工作有:1.对微博事件的抽取和可视化技术进行了研究,提出了一种基于隐事件抽取与可视化(LEEV)模型的联合学习方法。LEEV是一种新型概率模型,是在隐事件模型(Latent Event Extraction,LEM)的基础上引入位置信息,使事件抽取和可视化的效果都得到提升。本文详细阐述了该模型的系统架构,模型表示和参数估计方法。在分别包含2499条微博和1000条微博的两个数据集上对基于LEEV模型的事件抽取和可视化方法进行实验评估,实验证明,该方法的事件抽取和可视化的效果在两个数据集上都超过了对比方法。2.注意到微博文本的固有结构是嵌入在高维空间中的低秩非线性流形。应用这一特点,在LEEV模型的基础上添加基于流行假设的正则化项,提出了基于LEEV+R模型的微博事件抽取和可视化方法。在与LEEV模型相同的数据集上进行试验评估,结果显示,LEEV+R模型的事件抽取和可视化效果在两个数据集上均好于LEEV模型。本文共五章。第一章介绍研究背景与意义,研究动机以及主要内容。第二章介绍微博的事件抽取相关技术和基于降维的文本可视化相关方法。第三章介绍基于LEEV模型的微博事件抽取和可视化方法及相关实验。第四章介绍基于LEEV+R模型的微博事件抽取和可视化方法及相关实验。第五章是对论文工作的总结以及未来工作的展望。

关键词：微博事件抽取可视化流形假设概率图模型

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向微博文本的事件抽取

面向微博文本的事件抽取

引用

作者：陈亮宇东南大学

学位级别：硕士

微型博客(简称微博)作为一种具有代表性的新型传播媒体,现在已经成为一种最流行的人们表达想法,分享信息,交流意见的网络工具,对社会产生了巨大的影响。事件抽取(Event Extraction)是信息抽取领域中非常核心的研究内容,主要研究如何从... 详细信息

微型博客(简称微博)作为一种具有代表性的新型传播媒体,现在已经成为一种最流行的人们表达想法,分享信息,交流意见的网络工具,对社会产生了巨大的影响。事件抽取(Event Extraction)是信息抽取领域中非常核心的研究内容,主要研究如何从含有事件信息的非结构化文本中抽取出用户感兴趣的事件信息,用自然语言表达的事件以结构化的形式呈现出来,对于微博中的事件抽取技术的研究具有重要的现实意义和巨大的应用价值。相比于正式文本,微博文本具有琐碎,噪声大,表达不规范,信息冗余等特点,导致了对其进行事件抽取具有很大的挑战性。另外,有监督方法的实验效果与标注语料的数量和质量有直接的关系,而且标注大规模的语料通常需要耗费大量的人力、物力,所以本文针对无监督的面向微博文本的事件抽取方法进行研究,本文的主要贡献有：1.对面向微博文本的事件过滤进行了研究。由于微博中内容杂乱,描述事件的微博很少,所以我们尝试通过先对微博本文进行过滤来提高事件抽取效果。我们尝试了两种方法,并在带有标注的实验数据集上对比测试了两种方法。2.对无监督微博事件抽取进行了研究,提出了一种基于隐事件分类模型(LECM)的微博事件抽取方法。LECM是一种无监督的贝叶斯隐变量模型,是对LDA方法在微博事件抽取问题上的扩展和应用。本文详细阐述了该方法的系统框架,抽取流程,模型表示和参数估计方法。3.将基于LECM的事件抽取方法分别在两个数据集上进行了实验评估。分别在已标注的包含2468条微博的小数据集上和未标注的包含6000万条大数据集上检测了抽取和分类效果。该方法对于事件抽取的效果在两个数据集上都超过了当前最好的方法。4.注意到了大部分微博没有明确时间表达信息的特点,对原方法加以改进,提出了基于LECM-d的微博信息抽取方法。我们在原有框架中添加了预处理和后处理规则,并对模型作了改进。我们在6000万条微博的大数据集上评估了基于LECM-d的抽取方法,在准确率上相比基准系统提高了13.55%,相比基于LECM的方法提高了9.76%。论文共五章。第一章介绍了研究背景与意义,研究动机以及主要内容。第二章介绍了基础理论知识及微博事件抽取的相关技术。第三章介绍了基于LECM的微博事件抽取方法及相关实验。第四章介绍了基于LECM-d的微博事件抽取方法及相关实验。第五章是对论文工作的总结以及未来工作的展望。

关键词：微博事件抽取 LDA 图模型贝叶斯模型无监督学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：