导读:本文包含了摘要算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:摘要,语义,算法,视频,抽象,模型,文本。
摘要算法论文文献综述
胡胜红,贾玉福,桂超[1]（2019）在《面向足球视频摘要的叙事性拼图算法》一文中研究指出利用叙事性拼图优化足球视频摘要的显示,根据精彩事件分析和不同镜头类型的叙事相关性最大化策略抽取候选关键帧,提取不同感兴趣对象为中心定义和重定向感兴趣区域,根据叙事结构中的时-空逻辑构建拼图排列,比随机拼图或故事板能保持更多精彩事件的叙事内容。实验结果显示,叙事性拼图摘要不仅清晰地对精彩事件中的球员动作和人物表情实现了叙事目的,还能在同等显示区域内比故事板描绘更多的叙事内容,也比直接的视频片段快放节约流量,以及节约浏览时间。(本文来源于《信号处理》期刊2019年11期）
李大湘,朱志宇,刘颖[2]（2019）在《基于运动轨迹聚类的监控视频摘要算法》一文中研究指出针对监控视频存在大量冗余而不利于检索与传输等问题,提出一种基于运动目标检测和轨迹聚类组合的动态视频摘要算法。采用视觉背景提取子(VIBE)进行运动目标检测,采用运动区重迭判别的方法提取目标运动轨迹;根据视频中所有运动目标的空间位置信息,提出轨迹聚类方法对运动轨迹进行聚类分组;对每个分组的运动轨迹分别建立能量优化模型,采用量子行为粒子群优化算法(QPSO)求解能量方程最小解,将运动轨迹进行重新组合,生成摘要视频。实验结果表明,该算法可将视频浓缩成指定长度的摘要视频,不易发生目标信息丢失或目标重迭,轨迹优化组合性能较传统模拟退火算法提升10%以上。(本文来源于《计算机工程与设计》期刊2019年06期）
朱红泽[3]（2019）在《基于微博topic摘要的话题跟踪算法》一文中研究指出微博由于其自身的庞大的用户群体、随时随地的参与讨论方式以及随意的表达方式使其信息突显出碎片性以及时效性等特点。因此,用户无法快速地从庞杂的微博信息中获取当前话题的主要内容、成因以及发展结果。为了解决这一问题,本文提出了基于微博topic摘要的话题跟踪算法。该算法主要结合微博文本的特征以及用户的需求对话题跟踪的传统流程(预处理、构建文本模型、相似度分析以及话题漂移检测)分别进行改进。首先提出了基于传统统计量和N元增量算法的新登陆词提取算法使预处理的中文分词更加精确;然后提出了微博topic的构建以及优化算法使文本模型更加详细;最后通过相似度分析实现了微博话题的自适应跟踪以及话题漂移检测。本文主要研究内容如下。(1)提出了基于传统统计量和N元增量算法的新登陆词提取算法,从而弥补仅用传统统计量无法有效地提取新登陆词的缺点。首先通过分析微博文本中词语的左右熵将微博文本中的频繁常用词并入传统的停用词,形成类停用词表。然后,通过改进的统计量在寻找频繁字串的同时过滤文本垃圾串。(2)提出了微博topic摘要的构建以及优化算法。首先通过对词语的TF-IDF值和词信息(词项信息,词间信息)进行统计分析提取微博关键词。然后,通过置信度阈值对微博topic摘要进行缩减规模,通过子话题的连通性考量微博topic摘要的表述完整性,并且通过对规模以及表述完整性的权衡,找出微博topic摘要的最优值。(3)实现了微博话题的自适应跟踪以及话题漂移检测。首先引入时间窗口将微博文本划分为n等份时间文本,进而n等份时间文本放入训练集和测试集。然后,将对训练集和测试集中的等时间文本构建对应的微博topic摘要(查询摘要和反馈摘要)。然后,对查询摘要和反馈摘要进行相似度分析,并且通过相似度等级的不同对查询摘要进行对应的更新。实验结果表明,基于微博topic摘要的话题跟踪算法不仅能够精确地提取新登陆词,而且还可以快速构建完整而简洁的微博topic摘要。最终实现精确而持续对微博话题进行跟踪,从而帮助微博用户能够快速地理解当前话题的成因以及发展结果以及未来趋势。本文根据微博文本的特征以及传统算法的缺憾对传统算法进行改进,使在超短“碎片化”文本中能够精确地提取新登陆词以及快速的构建微博topic摘要。而且本文创新地以微博topic摘要的形式进行话题跟踪,使用户能够高效率地获取话题的更为详细的内容。图[11]表[8]参[64](本文来源于《安徽理工大学》期刊2019-06-03）
贾星宇[4]（2019）在《基于深度学习的短文自动摘要生成算法研究》一文中研究指出随着移动设备的快速发展,信息的传播途径逐渐增多,时效性越来越强。面对这些海量信息,如何对其进行快速、全面的掌握显得非常重要;自动摘要技术就是一个很好的解决方案。使用自动摘要技术,可通过简短的文字描述就能够覆盖绝大多数信息。在社会迅速发展的今天,快速掌握主要信息能够帮助人们提供提高信息获取速度,提高工作效率,从而创造更多的社会价值。本论文的主要工作分为以下叁个部分:(1)采用seq2seq+attention(sequence to sequence with attention)生成摘要。seq2seq+attention采用编码和解码方式,首先对文本内容进行学习,增添attention注意力向量作为中间语义向量加入解码部分的参数,共同决定解码模块中某时刻的生成词。该模型主要由以下两部分构成:编码语言模型对输入序列进行编码,解码语言模型进行解码;在解码的每一个时刻动态生成中间语义向量C,t时刻生成词语由t-1时刻的输出词结合当前时刻t产生的中间语义向量C共同决定该时刻词的生成。(2)seq2seq+attention模型的优化。对该模型进行改进,联合注意力向量使用修正概率和覆盖机制,解决了大部分在摘要生成中出现的重复问题和未登陆词OOV(out of vocabulary)现象。(3)实验部分采用ROUGE自动评测和人工评测两种方式进行生成摘要评测,实验结果显示,本文提出的生成式摘要算法在ROUGE-1、ROUGE-2值和人工评测方式上均相对高于传统的抽取式摘要评测值。实验结果表明,基于seq2seq+attention改进的生成式在文档摘要的完整性、连贯性均有很大程度的提升。(本文来源于《西安科技大学》期刊2019-06-01）
徐驰,陈丽容[5]（2019）在《基于TextRank和GloVe的自动文本摘要算法》一文中研究指出经典的TextRank算法在做文档的自动摘要提取时需要计算句子节点间的相似性,传统上简单的采用计数句子间相同单词的方法,但忽略了词性,近义词等诸多语义方面的重要信息。针对此类问题,本文提出了改进的基于TextRank和Glo Ve词向量的自动文本摘要算法。算法通过将词向量嵌入句子从而构建了代表句子语义相似度的概率转移矩阵,并通过数次迭代逐步调整句子的权重因子。在中文文本中的实验表明本文提出的改进算法比对照方法能提取出更高质量的摘要。(本文来源于《中国新通信》期刊2019年09期）
刘玉杰,唐顺静,高永标,李宗民,李华[6]（2019）在《基于标签分布学习的视频摘要算法》一文中研究指出针对现有监督视频摘要算法中存在的模型训练复杂问题,提出一种新的基于标签分布学习(LDL)的视频摘要算法,采用非参数监督学习的方式生成视频摘要,利用标签传递的方法将摘要结构从带有注释的视频转移到相同类型的测试视频中.首先提取视频的卷积神经网络特征和颜色特征,将两者融合后进行降维得到特征矩阵;然后将特征矩阵与训练样本的标签分布一起输入到LDL模型中;最后根据模型输出的标签分布选取关键帧,生成视频摘要.在基准数据集上与其他算法的实验表明,该算法生成的摘要与用户创建的摘要一致性很高,明显优于其他算法.(本文来源于《计算机辅助设计与图形学学报》期刊2019年01期）
陈鸿昶,明拓思宇,刘树新,高超[7]（2019）在《基于整数线性规划重构抽象语义图结构的语义摘要算法》一文中研究指出针对利用抽象语义(AMR)图来预测摘要子图存在的语义结构不完整问题,该文提出一种基于整数线性规划(ILP)重构AMR图结构的语义摘要算法。首先将数据预处理生成一个AMR总图;然后基于统计特征从AMR总图中抽取出摘要子图重要节点信息;最后利用ILP的方法来对摘要子图中节点关系进行重构,利用完整的摘要子图恢复生成语义摘要。实验结果表明,相比其他语义摘要方法,所提方法的ROUGE值和Smatch值都有显着提高,最多分别提高了9%和14%,该方法有利于提高语义摘要的质量。(本文来源于《电子与信息学报》期刊2019年07期）
徐小龙,杨春春[8]（2018）在《一种基于主题聚类的多文本自动摘要算法》一文中研究指出在大数据时代,有价值的数据常常隐藏在互联网中。如何在互联网上有效地获取所需信息成为当前学科领域迫切需要解决的问题。多文本自动摘要技术可以从多个主题相关的文本中自动产生该主题全面、简明扼要的内容摘要,提高了用户获取信息的效率。然而,目前多文本摘要算法仍不理想,存在文本摘要的结果准确率低,召回率低等问题。文中提出了一种基于主题聚类的多文本自动摘要算法(Multi-Document Summarization Algorithm based on Topic Clustering,MDSTC)。首先在典型的聚类算法中加入文本密度排序的步骤,确定初始聚类中心数,由此能够自动地发现文本集合所隐藏的子主题数量。下一步从不同的子主题集合中进行摘要的抽取,抽取的部分采用卷积神经网络算法,通过对已聚类的主题文本进行有监督的训练,对所有的句子评分、标记,选择符合中心内容的语句作为文本摘要。最后,输出所得的摘要内容。实验结果表明,与典型的基于LexRank的多文本自动摘要算法和基于WSRank的多文本自动摘要算法相比,文中提出的MDSTC算法在准确率、召回率等方面,均有较好的性能表现,生成摘要所需的时间也比这两种算法要短。(本文来源于《南京邮电大学学报(自然科学版)》期刊2018年05期）
徐馨韬,柴小丽,谢彬,沈晨,王敬平[9]（2019）在《基于改进TextRank算法的中文文本摘要提取》一文中研究指出为提高中文文本摘要提取的准确度,融合Doc2Vec模型、K-means算法和TextRank算法,提出一种中文文本摘要自动提取算法(DK-TextRank)。使用Doc2Vec模型进行文本向量化,采用改进的K-means算法实现相似文本聚类,在每个聚类簇中应用加入权重影响因子的TextRank算法对文本语句进行排序,并提取主题句生成摘要。实验结果表明,DK-TextRank算法在摘要语句数量为7时F值达到79.36%,相比传统TF-IDF、TextRank算法提取的摘要质量更高。(本文来源于《计算机工程》期刊2019年03期）
明拓思宇,陈鸿昶,黄瑞阳,柳杨[10]（2018）在《基于加权AMR图的语义子图预测摘要算法》一文中研究指出方法多数停留在挖掘词与词之间的浅层语义关系,没有很好地利用词句之间的完整语义信息,为此,提出一种改进的语义子图预测摘要的算法。将原始文本转化为相应的抽象语义表示(AMR)图,融合成一个AMR总图,基于WordNet语义词典对其进行冗余信息的过滤。在此基础上利用综合统计特征对不具有权值的AMR图节点赋予权值,通过筛选重要性程度高的部分构成语义摘要子图,并基于ROUGE指标和Smatch指标综合衡量生成摘要的质量。实验结果表明,与仅挖掘浅层语义关系的文本摘要基准算法相比,该算法ROUGE值和Smatch值明显提高。(本文来源于《计算机工程》期刊2018年10期）
摘要算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对监控视频存在大量冗余而不利于检索与传输等问题,提出一种基于运动目标检测和轨迹聚类组合的动态视频摘要算法。采用视觉背景提取子(VIBE)进行运动目标检测,采用运动区重迭判别的方法提取目标运动轨迹;根据视频中所有运动目标的空间位置信息,提出轨迹聚类方法对运动轨迹进行聚类分组;对每个分组的运动轨迹分别建立能量优化模型,采用量子行为粒子群优化算法(QPSO)求解能量方程最小解,将运动轨迹进行重新组合,生成摘要视频。实验结果表明,该算法可将视频浓缩成指定长度的摘要视频,不易发生目标信息丢失或目标重迭,轨迹优化组合性能较传统模拟退火算法提升10%以上。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
摘要算法论文参考文献
[1].胡胜红,贾玉福,桂超.面向足球视频摘要的叙事性拼图算法[J].信号处理.2019
[2].李大湘,朱志宇,刘颖.基于运动轨迹聚类的监控视频摘要算法[J].计算机工程与设计.2019
[3].朱红泽.基于微博topic摘要的话题跟踪算法[D].安徽理工大学.2019
[4].贾星宇.基于深度学习的短文自动摘要生成算法研究[D].西安科技大学.2019
[5].徐驰,陈丽容.基于TextRank和GloVe的自动文本摘要算法[J].中国新通信.2019
[6].刘玉杰,唐顺静,高永标,李宗民,李华.基于标签分布学习的视频摘要算法[J].计算机辅助设计与图形学学报.2019
[7].陈鸿昶,明拓思宇,刘树新,高超.基于整数线性规划重构抽象语义图结构的语义摘要算法[J].电子与信息学报.2019
[8].徐小龙,杨春春.一种基于主题聚类的多文本自动摘要算法[J].南京邮电大学学报(自然科学版).2018
[9].徐馨韬,柴小丽,谢彬,沈晨,王敬平.基于改进TextRank算法的中文文本摘要提取[J].计算机工程.2019
[10].明拓思宇,陈鸿昶,黄瑞阳,柳杨.基于加权AMR图的语义子图预测摘要算法[J].计算机工程.2018
论文知识图
