基于自然语言处理的社交网络数据挖掘研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 选题背景和意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 第2章 社交网络微博数据挖掘系统结构 | 第13-20页 |
| 2.1 数据挖掘系统结构 | 第13页 |
| 2.2 微博数据获取与存储 | 第13-15页 |
| 2.2.1 微博数据爬取策略 | 第14页 |
| 2.2.2 微博数据存储方法 | 第14-15页 |
| 2.3 微博数据处理中的自然语言处理 | 第15-18页 |
| 2.3.1 中文分词 | 第15-17页 |
| 2.3.2 特征表示 | 第17-18页 |
| 2.4 微博用户数据挖掘与分析 | 第18-19页 |
| 2.4.1 微博用户识别 | 第18-19页 |
| 2.4.2 微博用户划分 | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 第3章 社交网络微博数据获取 | 第20-28页 |
| 3.1 微博数据爬虫系统设计 | 第20-21页 |
| 3.2 微博爬虫运行过程 | 第21页 |
| 3.3 用户模拟登录 | 第21-22页 |
| 3.4 微博页面解析 | 第22-25页 |
| 3.5 数据存储工具选择 | 第25-26页 |
| 3.6 数据存储格式设计 | 第26-27页 |
| 3.7 本章小结 | 第27-28页 |
| 第4章 微博数据的自然语言处理研究 | 第28-44页 |
| 4.1 中文分词算法设计 | 第28-29页 |
| 4.2 分词模型训练方法 | 第29-32页 |
| 4.2.1 匹配词典选择 | 第29页 |
| 4.2.2 训练语料生成 | 第29-30页 |
| 4.2.3 自学习方法 | 第30-31页 |
| 4.2.4 分词结果融合方法 | 第31-32页 |
| 4.3 中文分词算法实验 | 第32-36页 |
| 4.3.1 验证算法的分词效果 | 第33页 |
| 4.3.2 验证算法的普遍适应性 | 第33-36页 |
| 4.4 用户特征表示 | 第36-42页 |
| 4.4.1 用户个人信息特征描述 | 第36-39页 |
| 4.4.2 用户微博信息特征描述 | 第39-41页 |
| 4.4.3 用户个人信息和微博信息融合 | 第41-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第5章 社交网络微博数据挖掘 | 第44-56页 |
| 5.1 基于SVM模型的垃圾用户识别 | 第44-47页 |
| 5.1.1 基于SVM模型的分类算法 | 第44-46页 |
| 5.1.2 SVM模型中核函数选择 | 第46页 |
| 5.1.3 SVM模型中松弛变量控制 | 第46-47页 |
| 5.2 基于SVM的用户识别实验 | 第47-49页 |
| 5.3 基于K-means算法的用户聚类分析 | 第49-52页 |
| 5.3.1 K-means聚类算法 | 第49-50页 |
| 5.3.2 K-means用户聚类算法评估 | 第50-51页 |
| 5.3.3 用户聚类分析 | 第51-52页 |
| 5.4 基于K-means的用户聚类算法实验 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 论文的主要贡献 | 第56-57页 |
| 6.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表的论文及参与科研情况 | 第61-62页 |
| 致谢 | 第62页 |
