基于CBMB-LDA模型的微博主题挖掘
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 第一节 研究背景及意义 | 第9-10页 |
| 一、研究背景 | 第9-10页 |
| 二、研究意义 | 第10页 |
| 第二节 国内外研究现状 | 第10-13页 |
| 一、针对微博的研究 | 第10-11页 |
| 二、主题挖掘相关方法的研究 | 第11-13页 |
| 三、基于主题模型的微博主题挖掘的研究 | 第13页 |
| 第三节 本文内容与创新点 | 第13-14页 |
| 第四节 论文结构 | 第14-15页 |
| 第二章 相关研究工作 | 第15-25页 |
| 第一节 微博相关介绍 | 第15-17页 |
| 一、微博 | 第15-16页 |
| 二、微博博文的特点 | 第16-17页 |
| 三、微博评论的特点 | 第17页 |
| 第二节 主题模型 | 第17-22页 |
| 一、PLSA模型 | 第18-19页 |
| 二、LDA模型 | 第19-21页 |
| 三、Twitter-LDA模型 | 第21-22页 |
| 第三节 中文分词技术和未登录词识别技术 | 第22-24页 |
| 一、分词算法 | 第22-23页 |
| 二、新词识别算法 | 第23-24页 |
| 第四节 本章小结 | 第24-25页 |
| 第三章 微博主题挖掘模型CBMB-LDA | 第25-43页 |
| 第一节 模型介绍 | 第25-28页 |
| 一、建模思想 | 第25-26页 |
| 二、相关数学符号说明 | 第26页 |
| 三、模型框架 | 第26-28页 |
| 第二节 模型推导 | 第28-39页 |
| 一、概率分布 | 第29-34页 |
| 二、Gibbs采样过程 | 第34-38页 |
| 三、参数估计 | 第38-39页 |
| 第三节 采样算法 | 第39-42页 |
| 第四节 本章小结 | 第42-43页 |
| 第四章 实验分析 | 第43-54页 |
| 第一节 实验设计 | 第43-44页 |
| 第二节 实验前准备 | 第44-47页 |
| 一、数据的获取 | 第44-45页 |
| 二、数据预处理 | 第45-47页 |
| 第三节 实验结果与分析 | 第47-53页 |
| 一、评价指标 | 第47-48页 |
| 二、实验结果及分析 | 第48-53页 |
| 三、实验结论 | 第53页 |
| 第四节 本章小结 | 第53-54页 |
| 第五章 总结和展望 | 第54-57页 |
| 第一节 结论 | 第54-55页 |
| 第二节 不足与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
