新闻主题

摘要： 针对新闻主题文本用词缺乏规范、语义模糊、特征稀疏等问题,提出了结合BERT和特征投影网络(FPnet)的新闻主题文本分类方法。该方法包含两种实现方式:方式1将新闻主题文本在BERT模型的输出进行多层全连接层特征提取,并将最终提取到的文本特征结合特征投影方法进行提纯,从而强化分类效果;方式2在BERT模型内部的隐藏层中融合特征投影网络进行特征投影,从而通过隐藏层特征投影强化提纯分类特征。在今日头条、搜狐新闻、THUCNews-L、THUCNews-S数据集上进行实验,实验结果表明上述两种方式相较于基线BERT方法在准确率、宏平均F1值上均具有更好的表现,准确率最高分别为86.96%、86.17%、94.40%和93.73%,验证了所提方法的可行性和有效性。

摘要： “要使艺术作品深刻,就得把它提炼。”这是列夫托尔斯泰在谈到文学创作时所提出来的。这一经验对记者采写新闻有一定的借鉴意义。一篇成功的报道离不开好的新闻主题和题材,提炼与深化新闻主题需要记者对新闻采访内容进行全方位的思考和理解,明确采访的目的。这不仅可以使采访的题材更加准确,还有利于深挖作品的意义。现对新闻主题的提炼与深化作出进一步的思考,并就个人实践经验提出有效的方法。

摘要： 媒体融合时代的新闻主题具有高度的时效性、广度和深度,呈现方式多种多样,可以从多个角度、全方位、全天候地呈现内容,使其信息性尤为突出。在传统媒体时代,主题新闻策划人员必须选择合适的主题,以提高文章的质量,制作时空内容,提高内容的独创性。

摘要： 文章从新闻主题的表现更接地气、增加单位时间传播的信息量、创造更加广阔的思维空间、增强人物报道的情感表达等四个方面,阐述了细节表达在视频创作中具有重要作用.这对于提升短视频作品影响力,从而使新闻作品在"视频时代"更具竞争力.

摘要： 湖北新闻奖作为全省新闻宣传的最高奖项,获奖佳作的新闻选题具有鲜明的时代性、地方性、典型性特征,通过讲好中国故事、湖北故事、百姓故事体现出湖北媒体人用心用情用功抒写伟大时代的强烈政治情怀和家国情怀,彰显了新闻舆论宣传的湖北力量.这些宝贵经验启示我们要用大视野写好大题材,要用大情怀讲好小故事,要用问题意识突破新选题,要用专业水准体现精品意识.

摘要： 在新媒体技术盛行的新时期,以往电视编辑和新闻创作也就可能会处于机遇与挑战并存的发展态势,各大媒体间的竞争也可能会进一步凸显。在这样的条件下,欲保证具有稳定发展的态势,就应当将电视编辑予以整体上的优化升级,如此一来,能更有效增进新闻的价值。那么在相关工作的具体开展时,就应当先对新闻价值予以全面了解,在此基础上,再以有效措施力求增进新闻价值。

摘要： 报纸新闻如何吸引注意力,并挖掘潜在读者,是当前报纸设计首当解决的问题之一。而能够引起读者阅读兴趣的版面形式与主题,对新闻内容起到很好的传播效果,再加上版面的设计始终是为新闻叙述的内容服务,二者相得益彰才能使报纸新闻达到预期传播效果。对此,结合报纸版面设计面临的困境,提出其未来可能的发展空间是本文重点论述的内容。

摘要： 媒体融合时代的新闻主题具有高度的时效性、广度和深度,呈现方式多种多样,可以从多个角度、全方位、全天候地呈现内容,使其信息性尤为突出。在传统媒体时代,主题新闻策划人员必须选择合适的主题,以提高文章的质量,制作时空内容,提高内容的独创性。

摘要： 媒体融合时代的新闻主题具有高度的时效性、广度和深度,呈现方式多种多样,可以从多个角度、全方位、全天候地呈现内容,使其信息性尤为突出。在传统媒体时代,主题新闻策划人员必须选择合适的主题,以提高文章的质量,制作时空内容,提高内容的独创性。

摘要： 伴随着融媒体时代的到来,新闻报道的渠道变得愈加多样化,新闻报道的时效性、内容广泛性更强。如何适应融媒体的发展是所有传统媒体专业人士需要考虑的问题。对此,如何捕捉并提炼新闻点,学习以及整合新媒体,探索以及创新各种类型的新闻主题,这些都是新闻工作者的关注点。

摘要： 新闻主题追踪是TDT会议的主要任务之一.本文介绍了主题追踪的相关概念和技术,设计实现了一个有效的新闻主题追踪系统,给出了实验结果.本文最后还介绍了一个实际的应用系统—新华网数据中心.

摘要： 一种基于新闻内容和主题特征的个性化新闻推荐装置和方法，推荐装置设有：新闻抓取、预处理、主题模型训练、主题模型预测、用户模型构建、新闻推荐和推荐处理共七个模块。推荐方法是：利用主题模型和相关的命名实体名词序列构建个性化用户模型来表示用户阅读新闻的兴趣偏好，并对该用户的主题特征向量进行权值计算与转换以降低热门主题及新闻内容单一对用户兴趣的影响，有效解决了用户兴趣集中、且推荐结果多样性不足的缺陷。在推荐输出阶段，对初始推荐新闻列表进行处理，在现有的重复数据删除和冗余过滤的基础上，添加了基于本发明个性化用户模型的主题分组过程，并对新闻文本按照时效权值重新排序，实现准确、多样、新颖的个性化新闻推荐。

摘要： 本发明公开了一种基于聚类的新闻文本最优主题数计算方法，步骤为：Step1、新闻文本语料获取和预处理；Step2、对经过预处理的语料库进行词嵌入处理，获得语料库中文本的词向量；Step3、将所有的词向量作为一个整体，利用一种基于快速搜索和寻找密度峰值的聚类方法对词向量进行聚类，获得词向量的聚类数目；Step4、将词向量聚类获得的数目确定为新闻文本的最优主题数。本发明利用词嵌入Word2Vec模型来表达主题语料之间的隐含语义关系，可以避探索词义相关关系，同时算法整体不存在迭代，计算简单，模型复杂度不高，因此可以避免现有方法在确定LDA最优主题数目所使用的都要迭代及每一步都需要求解目标函数的不足。

摘要： 一种基于新闻内容和主题特征的个性化新闻推荐装置和方法，推荐装置设有：新闻抓取、预处理、主题模型训练、主题模型预测、用户模型构建、新闻推荐和推荐处理共七个模块。推荐方法是：利用主题模型和相关的命名实体名词序列构建个性化用户模型来表示用户阅读新闻的兴趣偏好，并对该用户的主题特征向量进行权值计算与转换以降低热门主题及新闻内容单一对用户兴趣的影响，有效解决了用户兴趣集中、且推荐结果多样性不足的缺陷。在推荐输出阶段，对初始推荐新闻列表进行处理，在现有的重复数据删除和冗余过滤的基础上，添加了基于本发明个性化用户模型的主题分组过程，并对新闻文本按照时效权值重新排序，实现准确、多样、新颖的个性化新闻推荐。

摘要： 本发明涉及一种融合主题信息和词向量提取文本特征的新闻分类方法。本发明所述的一种融合主题信息和词向量提取文本特征的新闻分类方法包括：使用Word2vec和LDA模型分别在语料库中训练词向量，word2vec经过TF‑IDF进行加权所得的词向量与LDA训练的特征扩展模型进行拼接得到短文本表示模型，将短文本表示模型输入到BIGRU中提取文本深层次信息的特征向量，最后使用softmax函数得到文本分类结果。本发明所述的一种融合主题信息和词向量提取文本特征的新闻分类方法，在提取过程中加入了文本的主题信息，将主题信息和文本的词向量进行融合，能够尽可能获得文本主题特征，具有分类准确率高的优点。

摘要： 本发明涉及一种新闻事件主题自动生成方法、装置、电子设备及存储介质。所述方法包括：获取新闻事件文本内容；通过主题模型对新闻事件文本内容进行分析得到多个主题、每一主题中的关键词的概率分布及时间区间分布；分别从每一主题的词袋中选取预设概率分布范围内的关键词组成缩减词袋，并根据每一主题的缩减词袋的关键词的时间区间确定缩减词袋的时间区间范围；及根据每一主题的缩减词袋及缩减词袋的时间区间范围对数据库内文本进行相似度运算得到与每一主题对应的新闻文章，并将所述新闻文章的标题作为所述新闻事件文本内容的主题。本发明能够实现自动生成新闻事件文本内容的主题，提高新闻事件文本内容的主题生成的效率。

摘要： 一种基于主题信息的新闻文本摘要获取方法、装置、获取器和存储介质，涉及自然语言处理技术领域。解决了现有生成式文本摘要技术在生成的时候并没有主动地去关注这些潜在的主题信息，导致在生成过程中失去部分重要信息的问题。所述方法包括：对新闻文本进行清理，去除所述新闻文本中无用的符号和信息；利用公开语料库进行主题模型的训练，获取主题语义矩阵；根据获取的主题语义矩阵结合深度学习神经网络建立新闻文本的专用生成式摘要模型，并利用公开数据集训练模型，获取数据集训练模型；将新闻文本的清洗步骤中处理的文本输入至数据集训练模型，利用主题信息进行指导摘要生成，获得摘要结果。本发明应用于新闻信息处理技术领域。

摘要： 本发明提供一种基于主题词特征扩展的中文新闻标题分类方法。该方法包括：步骤1：采用多种分词算法对待分类中文新闻标题分别进行分词预处理，得到关于所述中文新闻标题在每种分词算法下的分词结果，合并所有的分词结果得到若干个单词；步骤2：计算每个单词的权重以得到所述待分类中文新闻标题的加权后标题向量；并基于所述分词结果构建所述待分类中文新闻标题的主题向量并计算主题向量权重；步骤3：计算所述加权后标题向量和每个所述主题向量之间的相似度，将相似度最大的主题向量与所述加权后标题向量进行向量拼接，得到特征向量；步骤4：利用卷积神经网络对所述特征向量进行特征提取并分类。

摘要： 本发明公开了一种基于平行语料库的跨语种新闻主题相似性对比方法。步骤如下：(1)平行语料库中每个文档都有独立的主题分布，并且语言描述同一个主题、共享主题分布；首先，检索中文中关于T主题的文章集，基于平行语料库中的中文通用语料库，由LDA主题模型算法得到文章集的中文LDA主题模型；然后，将中文的T主题LDA主题模型映射到广义主题模型空间得到T主题的中文和F语言共享的LDA主题模型，使用LDA算法，由F语言的待筛选的未知主题的文章和平行语料库中的F语言语料库得到F语言LDA主题模型；将这广义空间上的LDA主题模型和F语言LDA主题模型作对比，如果相似则认为此待筛选文章是关于T主题的文章。本发明能够快速准确不经翻译自动筛选出特定主题的文章。

摘要： 本发明提供一种多语言新闻主题词的分词方法，属于数据挖掘技术领域，具体包括：基于新闻的发布时间、题目中的关键词、分类确定待提取文本的临近领域，构建模型的源域模块，采集待提取文本的所述临近领域的有标签数据，构建源域数据集，构建目标域模块，将待提取主题词的领域文本视为目标数据集；构建领域文本主题词提取预训练模型，在进行预训练模型训练时，对于不同语种的词向量的表征，分别选择不同的预训练模型，采用迁移成分分析的方法，对预训练模型进行优化，获得邻域文本主题词提取模型，获得待提取领域文本的主题词标签，获取领域文本主题词，从而更好的实现了对多语言的新闻主题词的准确高效分词。

摘要： 本发明涉及人工智能领域，提出一种智能化新闻主题情感分析方法，首先训练Bert/Xlnet+CRF主体模型的准确率达到预设的抽取准确阈值，将最后一次训练更新的Bert/Xlnet+CRF主体抽取模型作为主体抽取模型；再将最后一次训练更新的Bert主体模型作为主体分析模型，并将主体分析模型与主体抽取模型相联系以形成主体情感分析模型；而后对新闻稿件进行数据清洗以获取目标数据；再将目标数据输入主体情感分析模型以通过主体抽取模型对目标数据进行主体抽取操作以获取新闻主体，并将新闻主体输入至主体情感分析模型以获取与新闻主体对应的情感分析数据，如此，能够轻易获取新闻的主题情绪、主体情感，进而能够根据各类新闻中的词条获取目标企业的舆情。