机读格式显示(MARC)

• 000 01990nam0 2200265 450

• 001 0000269627

• 005 20190410154800.0

• 010 __ |a 978-7-03-051885-9 |d CNY58.00

• 099 __ |a CAL 012017064764

• 100 __ |a 20170424d2017 ekmy0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 信念网络在话题识别与追踪中的应用研究 |A Xin Nian Wang Luo Zai Hua Ti Shi Bie Yu Zhui Zong Zhong De Ying Yong Yan Jiu |f 吴树芳, 朱杰著

• 210 __ |a 北京 |c 科学出版社 |d 2017

• 215 __ |a 144页 |c 图 |d 24cm

• 320 __ |a 有书目 (第137-144页)

• 330 __ |a 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，给出基于类内距离最小、类间距离最大的目标函数，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。最后，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。

• 606 0_ |a 网络检索 |A Wang Luo Jian Suo

• 690 __ |a G254.92 |v 5

• 701 _0 |a 吴树芳 |A Wu Shu Fang |4 著

• 701 _0 |a 朱杰 |A Zhu Jie |4 著

• 801 _0 |a CN |b NMU |c 20170424

• 905 __ |a AUSTL |d G254.92/W747