基于SVM和K-means的微博话题分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究内容 | 第10-12页 |
| 2 相关技术分析 | 第12-19页 |
| 2.1 微博话题分类流程 | 第12-14页 |
| 2.2 微博文本处理 | 第14-16页 |
| 2.3 文本聚类算法 | 第16-17页 |
| 2.4 文本分类算法 | 第17-18页 |
| 2.5 聚类与分类的区别 | 第18页 |
| 2.6 本章小结 | 第18-19页 |
| 3 算法的假设与定义 | 第19-25页 |
| 3.1 微博文本获取 | 第19页 |
| 3.2 微博文本处理 | 第19-22页 |
| 3.3 文本相似度定义 | 第22-23页 |
| 3.4 主要评价指标 | 第23-24页 |
| 3.5 本章小结 | 第24-25页 |
| 4 微博话题分类算法的设计 | 第25-35页 |
| 4.1 K-means算法 | 第25-26页 |
| 4.2 SVM算法 | 第26-32页 |
| 4.3 SVM与K-means结合的算法 | 第32-34页 |
| 4.4 本章小结 | 第34-35页 |
| 5 实验与结果分析 | 第35-50页 |
| 5.1 实验流程设计 | 第35-36页 |
| 5.2 文本的预处理 | 第36-39页 |
| 5.3 K-means聚类 | 第39-41页 |
| 5.4 SVM分类 | 第41-42页 |
| 5.5 实验结果及分析 | 第42-49页 |
| 5.6 本章小结 | 第49-50页 |
| 6 总结与展望 | 第50-52页 |
| 6.1 全文总结 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
