信念网络在话题识别与追踪中的应用研究

　　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*小、类间距离大的目标函数，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，包括术语权重的更新和术语节点的插入、删除。以上三个话题模型沿用了传统建模思想，具备和以往模型相同的优缺点。BDTM-II打破传统建模的思想，运用信念网络模型提供了一个灵活框架的优势，将术语节点分为两类：初始核心术语节点和更新术语节点，并采用析取手段将它们作为两类证据进行归并。依据模型的拓扑结构、贝叶斯概率和条件独立性假设给出了上述四个话题模型的概率推导。*后，专著将在上述内容的基础上，进行基于信念网络的话题模型优化研究，以期进一步提高模型的综合性能。

　　暂无相关内容

前言
第1章 绪论
1．1 研究背景
1．2 研究现状
1．2．1 话题识别与追踪研究现状
1．2．2 话题识别与追踪模型研究现状
1．2．3 信念网络及应用研究现状
1．3 研究内容与研究目标
1．4 本书主要创新点
1．5 组织结构
第2章 研究基础
2．1 测试集合及评测标准
2．1．1 测试集合
2．1．2 评测标准
2．2 话题识别与追踪相关研究
2．2．1 发展历程
2．2．2 相关概念
2．2．3 研究任务
2．2．4 实现方法
2．2．5 经典话题模型及扩展研究
2．3 贝叶斯网络理论
2．3．1 贝叶斯网络的概率基础
2．3．2 贝叶斯网络的结构
2．3．3 贝叶斯网络的推理
2．3．4 基于贝叶斯网络的信息检索模型
2．4 本章小结
第3章 话题特征选择
3．1 引言
3．2 特征选择理论
3．2．1 基于搜索策略的特征选择方法
3．2．2 基于评价准则的特征选择方法
3．3 基于ITF-IDF的话题特征选择
3．4 坐标下降法
3．5 基于聚类的互信息
3．6 基于DCMI的话题特征选择
3．6．1 动态互信息
3．6．2 特征子集规模的确定
3．7 实验与分析
3．7．1 目标函数求解
3．7．2 DCMI和BMI性能比较
3．7．3 DCMI和ITF-IDF的追踪性能
3．7．4 实验分析
3．8 本章小结
第4章 基于信念网络的静态话题模型
4．1 引言
4．2 静态话题模型理论
4．3 基于信念网络的静态话题模型Ⅰ
4．4 基于信念网络的静态话题模型Ⅱ
4．4．1 建模基础
4．4．2 模型拓扑结构及概率推导
4．5 实验与分析
4．5．1 实验过程
4．5．2 实验结果及分析
4．6 本章小结
第5章 基于信念网络的动态话题模型
5．1 引言
5．2 动态话题模型理论
5．2．1 自适应学习理论
5．2．2 增量式学习算法
5．2．3 结构化话题模型的动态变形
5．3 基于信念网络的动态话题模型Ⅰ
5．4 基于信念网络的动态话题模型Ⅱ
5．5 实验与分析
5．5．1 实验过程
5．5．2 实验结果
5．5．3 实验分析
5．6 本章小结
第6章 误报检测用于优化基于信念网络的动态话题模型Ⅱ
6．1 引言
6．2 主流静态分析技术
6．3 动态话题追踪误报成因分析
6．4 误报检测
6．5 实验与分析
6．5．1 实验步骤
6．5．2 实验结果及分析
6．6 本章小结
第7章 动态话题追踪中的时序权重
7．1 研究基础
7．2 时序权重及动态更新
7．3 实验及分析
7．3．1 时间距离阈值α
7．3．2 权重阈值β
7．3．3 时序权重有效性验证
7．4 本章小结
第8章 基于话题的事件相似度计算
8．1 基础知识
8．1．1 相关概念
8．1．2 模板设计
8．2 事件相似度计算
8．3 同一话题下的事件相似度计算方法
8．4 实验内容及分析
8．5 本章小结
第9章 总结与展望
9．1 本书的主要工作
9．2 对今后工作的展望
参考文献