基于完全稀疏主题模型的多文档自动摘要

被引：1

作者：

邵洲

张晖

机构：

[1] 西南科技大学计算机科学与技术学院

来源：

计算机工程与设计 | 2014年 / 35卷 / 03期

关键词：

完全稀疏主题模型; 多文档摘要; 稀疏性; 句子权重计算; DUC 2007;

D O I：

10.16208/j.issn1000-7024.2014.03.050

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

081203 ; 0835 ;

摘要：

为了解决稀疏情况下的自动文档摘要问题,将提出的完全稀疏主题模型引入到文档摘要中。根据模型中主题分布和主题的词汇分布,提出了该模型上的自动摘要算法。为了验证该方法的有效性,在DUC 2007数据集上使用ROUGE自动摘要评测工具进行评测。通过与DUC 2007中专家摘要和对多种实验的比较,比较结果表明,该摘要方法在准确率上显著优于其它方法,同时在推断时间、方法的简单性等各个方面也都具有优势。

引用

页码：1032 / 1036

页数：5

共 14 条

[1]

基于词汇链和PageRank的多文档自动文摘研究[D]. 肖欣延.厦门大学 2008

[2] 主题模型LDA的多文档自动文摘 [J].

杨潇 ;

马军 ;

杨同峰 ;

杜言琦 ;

邵海敏 .

智能系统学报, 2010, 5 (02) :169-176

[3] 基于LDA模型的文本分类研究 [J].

姚全珠 ;

宋志理 ;

彭程 .

计算机工程与应用 , 2011, (13) :150-153

[4] 基于LDA主题特征的自动文摘方法 [J].

张明慧 ;

王红玲 ;

周国栋 .

计算机应用与软件, 2011, 28 (10) :20-22+46

[5]

Chang Y L,Chien J T.Latent dirichlet learning for document summarization. IEEE International Conference on Acoustics,Speech and Signal Processing . 2009

[6]

Paul M J,Dredze M.Drug extraction from the web:Summarizing drug experiences with multi-dimensional topic models. NAACL . 2013

[7]

Li J,Li S.A novel feature-based Bayesian model for query focused multi-document summarization. Transactions of Association for Computational Linguistics . 2013

[8]

Than K,Ho T B.Fully sparse topic models. Machine Learning and Knowledge Discovery in Databases . 2012

[9]

Liang X,Qu Y,Ma G.Research on extension LexRank in summarization for opinionated texts. Proceedings of the13th International Conference on Parallel and Distributed Computing,Applications and Technologies . 2012

[10] 基于LDA模型的文本分类研究 [J].

姚全珠 ;

宋志理 ;

彭程 .

计算机工程与应用 , 2011, (13) :150-153

← 1 2 →