结合深度学习与非参数先验的自动新闻事件提取与新闻主题建模技术研究

The internet has changed the way people receive and produce information. It also greatly facilitates the propagation and diffusion of news events, produces vast amount of materials for investigating the interaction between the essential factors of news and its development trend. This project mainly focuses on the technology and theoretical problem of creating probabilistic models for new events and topics. We will also attempt to combine other latest technologies in machine learning and data mining, such as knowledge based entity annotation, deep learning, Bayesian nonparametric, multi-modal data modeling as well as topic evolution, into the modeling process, and finally achieve the aim of automatic news factor extraction and news event/topic modeling.

互联网改变了人们接受与传播信息的方式，极大地促进了新闻的快速传播与扩散，并为了解、分析与预测新闻事件要素（时间、地点、人物、事情等）对事件发展演变的作用提供了大量素材。本项目面向具有跨媒体特性的网络热点新闻报道，采用以概率建模为主，结合知识标引、深度学习、非参数先验、多模态数据建模、主题演化等机器学习与数据挖掘领域的最新技术，最终实现自动新闻要素抽取与热点新闻事件、主题建模。

互联网改变了人们接受与传播信息的方式，极大地促进了新闻的快速传播与扩散，并为了解、分析与预测新闻事件要素（时间、地点、人物、事情等）对事件发展演变的作用提供了大量素材。本项目面向具有跨媒体特性的网络热点新闻报道，重点研究了基于深度学习的新闻要素自动标注技术、多元跨媒体信息融合的新闻事件自动提取方法、 基于非参数贝叶斯的多粒度主题建模与摘要生成、基于非参数先验的跨媒体新闻主题演化建模及其可视化等。项目执行期间，项目组在信息检索、深度学习、非参数先验、多模态数据建模、主题演化等机器学习与数据挖掘领域共发表论文19篇，其中SCI检索期刊论文6篇，EI检索会议与期刊论文15篇。包括由CCF认定的数据挖掘、机器学习领域的顶级会议和期刊论文8篇，其中CCF A类会议论文6篇，A类期刊论文2篇，IEEE Trans论文4篇。共申请发明专利7项（第一发明人6项），其中3项专利获得授权。项目负责人于2015年晋升为副教授，2016年被评为博士生导师。