声明
缩略语
1. 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 抽取式摘要方法
1.2.2 生成式摘要方法
1.2.3 现状分析
1.3 研究内容及主要贡献
1.3.1 研究内容
1.3.2 主要贡献
1.4 论文组织架构
2. 相关技术介绍
2.1 LDA模型及主题数的选取
2.1.1 LDA模型
2.1.2 主题数的选取
2.2 深度学习相关技术
2.2.1 循环神经网络
2.2.2 带注意力机制的Seq2Seq模型
2.2.3 指针网络
2.2.4 覆盖机制
2.3 本章小结
3. 基于Seq2Seq模型的自动文本摘要生成
3.1 主题信息获取
3.1.1 最优主题数自动选取算法
3.1.2 主题信息嵌入
3.2 关注主题信息的指针模型
3.2.1 编码器模块
3.2.2 解码器模块
3.2.3 联合注意力机制
3.2.4 改进的指针机制
3.3 模型训练损失函数
3.3.1 覆盖损失函数
3.3.2 主题相关性损失函数
3.4 本章小结
4. 实验及结果分析
4.1 实验数据集
4.2 模型参数设置
4.2.1 LDA主题模型
4.2.2 TPM模型
4.3 实验内容
4.4 评价标准及结果
4.4.1 自动文本摘要评价方法
4.4.2 实验结果
4.5 实验结果分析
4.5.1 摘要覆盖度
4.5.2 摘要新颖性
4.5.3 主题相似性
4.6 案例分析
4.7 本章小结
5. 总结与展望
5.1 本文总结
5.2 工作展望
致谢
参考文献
