返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 信念网络在话题识别与追踪中的应用研究 吴树芳,朱杰 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 吴树芳,朱杰 著著
    • 出版社: 科学出版社
    • 出版时间:2017-03-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 吴树芳,朱杰 著著
    • 出版社:科学出版社
    • 出版时间:2017-03-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2017-03-01
    • 字数:200千字
    • 页数:144
    • 开本:16开
    • 装帧:平装
    • ISBN:9787030518859
    • 国别/地区:中国
    • 版权提供:科学出版社

    信念网络在话题识别与追踪中的应用研究

    作  者:吴树芳,朱杰 著
    定  价:58
    出 版 社:科学出版社
    出版日期:2017年03月01日
    页  数:144
    装  帧:平装
    ISBN:9787030518859
    主编推荐

    内容简介

    向量空间检索模型在话题识别与追踪领域的成功应用,从理论上证明用于信息检索的贝叶斯网络模型亦可用于该领域。信念网络模型属于基于贝叶斯网络的检索模型的一种,专著围绕该思想,将其用于话题识别与追踪模型的构建,为该领域提出新的研究方法。考虑到新闻报道的特殊性,在文本处理阶段,将在基本互信息的基础上,提出融合聚类思想和时间距离的新闻话题特征选择方法,用于计算新闻报道中术语的权重。为了获得每个话题的初始特征子集规模,给出基于类内距离很小、类间距离优选的目标函数,并采用坐标下降法对其求解结合信念网络模型和新闻报道的特点,给出四个基于信念网络的话题模型BSTM-I、BSTM-II、BDTM-I和BDTM-II。BSTM-I、BSTM-II属于静态话题模型,其区别是节点层数、类型。BDTM-I属于动态话题模型,节点类型和弧的意义与静态模型相同,不同的是在话题追踪过程中,其术语层会随着话题的发展而不断更新,包null

    作者简介

    精彩内容

    目录

    前言
    第1章绪论1
    1.1研究背景1
    1.2研究现状2
    1.2.1话题识别与追踪研究现状2
    1.2.2话题识别与追踪模型研究现状8
    1.2.3信念网络及应用研究现状12
    1.3研究内容与研究目标13
    1.4本书主要创新点14
    1.5组织结构14
    第2章研究基础17
    2.1测试集合及评测标准17
    2.1.1测试集合17
    2.1.2评测标准23
    2.2话题识别与追踪相关研究26
    2.2.1发展历程27
    2.2.2相关概念27
    2.2.3研究任务28
    2.2.4实现方法30
    2.2.5经典话题模型及扩展研究33
    2.3贝叶斯网络理论50
    2.3.1贝叶斯网络的概率基础51
    2.3.2贝叶斯网络的结构52
    2.3.3贝叶斯网络的推理54
    2.3.4基于贝叶斯网络的信息检索模型55
    2.4本章小结59
    第3章话题特征选择61
    3.1引言61
    3.2特征选择理论62
    3.2.1基于搜索策略的特征选择方法63
    3.2.2基于评价准则的特征选择方法66
    3.3基于ITF—IDF的话题特征选择72
    3.4坐标下降法73
    3.5基于聚类的互信息74
    3.6基于DCMI的话题特征选择75
    3.6.1动态互信息76
    3.6.2特征子集规模的确定77
    3.7实验与分析78
    3.7.1目标函数求解78
    3.7.2DCMI和BMI性能比较79
    3.7.3DCMI和ITF—IDF的追踪性能80
    3.7.4实验分析81
    3.8本章小结83
    第4章基于信念网络的静态话题模型85
    4.1引言85
    4.2静态话题模型理论86
    4.3基于信念网络的静态话题模型Ⅰ87
    4.4基于信念网络的静态话题模型Ⅱ88
    4.4.1建模基础88
    4.4.2模型拓扑结构及概率推导89
    4.5实验与分析90
    4.5.1实验过程90
    4.5.2实验结果及分析91
    4.6本章小结93
    第5章基于信念网络的动态话题模型95
    5.1引言95
    5.2动态话题模型理论95
    5.2.1自适应学习理论96
    5.2.2增量式学习算法96
    5.2.3结构化话题模型的动态变形98
    5.3基于信念网络的动态话题模型Ⅰ99
    5.4基于信念网络的动态话题模型Ⅱ100
    5.5实验与分析101
    5.5.1实验过程101
    5.5.2实验结果101
    5.5.3实验分析103
    5.6本章小结104
    第6章误报检测用于优化基于信念网络的动态话题模型Ⅱ107
    6.1引言107
    6.2主流静态分析技术108
    6.3动态话题追踪误报成因分析109
    6.4误报检测110
    6.5实验与分析112
    6.5.1实验步骤112
    6.5.2实验结果及分析113
    6.6本章小结115
    第7章动态话题追踪中的时序权重117
    7.1研究基础117
    7.2时序权重及动态更新118
    7.3实验及分析119
    7.3.1时间距离阈值α119
    7.3.2权重阈值β120
    7.3.3时序权重有效性验证121
    7.4本章小结122
    第8章基于话题的事件相似度计算123
    8.1基础知识123
    8.1.1相关概念123
    8.1.2模板设计124
    8.2事件相似度计算125
    8.3同一话题下的事件相似度计算方法128
    8.4实验内容及分析129
    8.5本章小结131
    第9章总结与展望133
    9.1本书的主要工作133
    9.2对今后工作的展望134
    参考文献137

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购