融合句子情感和主题相似性的中文新闻文本情感摘要

新闻文本情感旨在对带有情感信息的文本,通过提炼、浓缩而产生表达文本全局情感意见的情感,用以帮助人们快速获取文本的情感倾向和主旨内容。文章主要针对网络上的海量新闻文本,研究单文档的情感。首先,该方法对文本中的句子进行情感标注。其次,通过LexRank算法与情感信息计算句子相似度。最后,根据新闻标题的特殊性计算句子与标题的相似性,综合以上考虑得到情感。实验结果表明,相比于原有的LexRank算法,该文采用的方法能够更加有效的生成带有情感色彩并且最能表达文章主旨内容的情感。     

基于LexRank的中文单文档摘要方法

针对目前中文自动文本摘要方法主要使用基于特征词词频、基于物理位置以及聚类统计的方法准确率较低、不适合单文档摘要,提出了一个改进的中文单文档摘要方法;该方法将LexRank算法与VSM相结合,充分考虑特征词、特征句、特征段位置等因素;利用java语言对其进行实验测试,实验结果表明:改进的自动文本摘要方法和传统摘要方法相比能够更好的实现对文章的自动摘要;该摘要方法可应用到信息挖掘、信息分类、信息索引等领域,在现今信息化的社会,具有较高的现实意义及实用使用价值.     

基于连续LexRank的多文本自动摘要优化算法研究

以挖掘性的自动摘要(TS)为研究对象,依赖于核心语句这一概念,在考虑现存相关研究成果的基础上,设计一种基于特征向量中心概念及连续LexRank、以图形表示的多文本自动摘要优化模型及算法。在此模型中,创建了一个基于内语句余弦相似度连接矩阵以实现语句的图形表示形式对应的邻接矩阵。为了验证算法的可行性与效率,设计了相关实验方案,并通过与现存算法执行效果进行实时比对。实验结果表明,提出的带阈值及基于连续LexRank的算法具有较高的效率。     

基于非完全吸收马尔科夫链的多文档自动文摘算法

吸收马尔科夫链模型在自动文摘领域的有效性已经证实。然而,此模型中的平均期望历经次数需要通过矩阵求逆得到,所以模型的时间复杂度很高。此外,由于自身的局限性,它也无法利用除句子间相互关系以外的其它信息。针对此问题建立了一个新的模型:非完全吸收马尔科夫链;并以此为基础提出了一个新的多文档文摘算法。证明了吸收马尔科夫链的平均期望历经次数与对应的非完全吸收马尔科夫链的稳态概率分布的等价性,而后者可通过迭代求解。同时,这个新的模型还可以引入除句子间相互关系以外的其它信息,从而生成更准确的文摘。在TAC2011上的实验证实了该模型的有效性。     

一种基于LexRank算法的改进的自动文摘系统

自动文摘是计算机语言学领域的一个研究重点,其研究和应用受到了计算机科学、语言学、情报信息学等相关学科的广泛关注。首先介绍了基于LexRank算法的自动文摘方法。针对该方法的不足,从句子相似度计算方法、句子权重计算方法以及冗余处理等方面对它进行了改进,从而可以根据输入文本内容动态地调整相关影响因子。实现的文摘系统,可以对中文和英文的单文本或多文本进行自动文摘。在哈工大和DUC的测评语料上进行了实验,结果表明该系统在一定程度上改进了文摘的质量,在多文本文摘中的抗噪声方面也有一定的优越性。最后讨论了自动摘要研究存在的问题,并指出了自动文摘的研究趋势。