基于微博的网络舆情事件主动感知研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景与意义 | 第10页 |
| ·国内外研究现状与发展动态 | 第10-13页 |
| ·网络舆情事件分析与特征抽取相关研究 | 第10-11页 |
| ·微博环境下信息处理相关研究 | 第11-13页 |
| ·本文主要内容 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第2章 相关理论与技术概述 | 第15-27页 |
| ·文本检索模型的常见模型 | 第15-18页 |
| ·布尔模型 | 第15页 |
| ·向量空间模型 | 第15-17页 |
| ·概率模型 | 第17-18页 |
| ·主题模型 | 第18-21页 |
| ·潜在语义索引 | 第18-19页 |
| ·概率隐性语义索引 | 第19-20页 |
| ·潜在狄利克雷分布 | 第20-21页 |
| ·基于SVM的文本分类方法 | 第21-23页 |
| ·SVM简介 | 第21-22页 |
| ·SVM的数学模型 | 第22-23页 |
| ·基于核的模式识别方法 | 第23-26页 |
| ·核方法简介 | 第23-24页 |
| ·常见的核函数 | 第24页 |
| ·核函数选择 | 第24-25页 |
| ·核参数选择 | 第25页 |
| ·核函数及核参数选择小结 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 微博舆情事件的热点话题发现模型 | 第27-39页 |
| ·微博 | 第27-28页 |
| ·微博文本特性分析 | 第27页 |
| ·微博社会化关系特征 | 第27-28页 |
| ·微博热点话题发现方法 | 第28-30页 |
| ·基于LDA的主题挖掘 | 第28-29页 |
| ·面向复合维信息特征的微博热点话题发现流程 | 第29-30页 |
| ·微博环境下的舆情指标建立 | 第30-34页 |
| ·面向复合维信息特征的微博舆情事件发现算法 | 第34-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 微博舆情事件的主动感知 | 第39-45页 |
| ·微博舆情事件跟踪技术 | 第39页 |
| ·SVM算法 | 第39-41页 |
| ·改进的SVM算法 | 第39-40页 |
| ·支持向量 | 第40-41页 |
| ·增量SVM算法 | 第41-43页 |
| ·增量SVM算法概述 | 第41页 |
| ·基于KKT条件的增量学习策略 | 第41-43页 |
| ·基于时间序列窗口和KKT条件的话题动态感知 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第5章 微博舆情事件主动感知原型系统 | 第45-54页 |
| ·微博舆情感知系统流程设计 | 第45-46页 |
| ·微博舆情感知仿真原型系统 | 第46-48页 |
| ·原型系统模块设计 | 第46页 |
| ·实验环境 | 第46页 |
| ·数据来源 | 第46-47页 |
| ·实验评价方法 | 第47-48页 |
| ·实验结果及分析 | 第48-53页 |
| ·LDA算法的参数选择 | 第48-50页 |
| ·微博舆情事件的热点话题数目评测 | 第50-52页 |
| ·微博舆情事件发现效果评测 | 第52-53页 |
| ·微博舆情事件动态感知效果评测 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| ·全文总结 | 第54页 |
| ·研究展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60页 |
