1. 毕业设计（论文）主要内容：

1. 前期知识储备：
通过阅读相关文献，理解词语相似度、句子相似度、短文本相似度、语义的相关概念与计算方法；
2.完成功能：
针对英文短文本特点，从词干提取、特征建模出发，基于BTM优化模型，获取短文本语义特征，设计基于语义的英文短文本相似度计算方法，利用来自市场问卷调查公司的调研数据，测试其匹配率，并与其它主题模型进行分析比较。

2. 毕业设计（论文）主要任务及要求

1. 查阅15篇相关文献（含近五年外文10篇），并每篇书写200—300字文献摘要（装订成册，带封面）；
2. 认真填写周记，完成800字开题报告；
3. 完成5000中文字以上的相关英文专业文献翻译，并装订成册（中英文一起，带封面）；
4. 完成系统的编码与调试；
5. 按武汉理工大学理工类本科生毕业论文撰写规范撰写毕业论文，论文字数不少于10000字。
6. 进行论文答辩。

3. 毕业设计（论文）完成任务的计划与安排

1. 2018/1/22—2018/2/28：明确选题，查阅相关文献，外文翻译和撰写开题报告；
2. 2018/2/28—2018/4/30：系统架构，系统设计与开发（或算法研究与设计）、系统测试、分析、比较与完善；
3. 2018/5/1—2018/5/25：撰写论文初稿；修改论文，定稿并提交论文评审；
4. 2018/5/26—2018/6/6：准备论文答辩。

4. 主要参考文献

[1] 朱甜甜.短文本语义相似度量的方法和应用研究[D].上海：华东师范大学，2014.
[2] Bouaziz A, Dartigues-Pallez C, Pereira C D C, et al. Short Text Classification Using Semantic Random Forest[M]. Switzerland: Springer International Publishing, 2014: 288-299.
[3] Pradhan N, Gyanchandani M, Wadhvani R. A Review on Text Similarity Technique used in IR and its Application[J]. International Journal of Computer Applications, 2015(9): 120.
[4] 张芸. 基于BTM主题模型特征扩展的短文本相似度计算[D]. 安徽大学, 2014.
[5] Yan X, Guo J, Lan Y, et al. A biterm topic model for short texts[C]. International Conference on World Wide Web. ACM, 2013: 1445-1456.
[6] Shareghi E, Bergler S. Feature Combination for Sentence Similarity[M]. Advances in Artificial Intelligence, 2013: 150-161.
[7] Albitar S, Fournier S, Espinasse B. An Effective TF/IDF-Based Text-to-Text Semantic Similarity Measure for Text Classification[M]. Web Information Systems Engineering-WISE 2014. Springer International Publishing, 2014: 105-114.
[8] Bassel Alkhatib, Ammar Alnahhas, Firas Albadawi. A New Method for Measuring Text Similarity in Learning Management Systems Using WordNet[J]. International Journal of Web-Based Learning and Teaching Technologies (IJWLTT), 2014, 9(2): 1-13.
[9] Mikolov T, Sutskever I, Chen K, et al. Distributed Representations of Words and Phrases and their Compositionality[J]. Advances in Neural Information Processing Systems, 2013（26）: 3111-3119.
[10] 刘宏哲.文本语义相似度计算方法研究[D].北京：北京交通大学，2012.
[11] MattJ.Kusner,YuSun,NicholasI.Kolkin,et.Weinberger.FromWord Embeddings To Document Distances[A].Proceedings of the 32nd International Conference on Machine Learning, Lille, France, 2015：217-220.