生物医学热点主题分析和突发检测模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究目的和意义 | 第14-15页 |
| 1.3 相关概念 | 第15-16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 论文结构 | 第17-18页 |
| 第二章 研究现状 | 第18-41页 |
| 2.1 主题检测与跟踪 | 第18-19页 |
| 2.2 热点主题模型研究现状 | 第19-34页 |
| 2.2.1 基于词频的热点主题分析 | 第19-21页 |
| 2.2.2 基于共词的热点主题分析 | 第21-24页 |
| 2.2.3 基于同被引的热点主题分析 | 第24-28页 |
| 2.2.4 基于主题模型的热点主题分析 | 第28-30页 |
| 2.2.5 基于文本挖掘的热点主题分析 | 第30-32页 |
| 2.2.6 研究方法总结 | 第32-34页 |
| 2.3 突发检测研究现状 | 第34-40页 |
| 2.3.1 基于自动机的概率模型 | 第34-37页 |
| 2.3.2 基于突发特征聚类的非概率模型 | 第37-38页 |
| 2.3.3 研究方法总结 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 基于生命周期理论的热点主题分析模型 | 第41-52页 |
| 3.1 热点话题定义 | 第42-43页 |
| 3.2 TF-PDF算法 | 第43-44页 |
| 3.3 生命周期算法 | 第44-46页 |
| 3.4 概念的热度以及热点概念获取 | 第46-47页 |
| 3.5 热点主题获取 | 第47-51页 |
| 3.5.1 概念相似度计算 | 第48-49页 |
| 3.5.2 概念聚类 | 第49-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 热点分析算法实现结果讨论 | 第52-81页 |
| 4.1 知识组织体系 | 第52-56页 |
| 4.1.1 UMLS及其语义网络 | 第52-53页 |
| 4.1.2 MeSH主题词 | 第53-55页 |
| 4.1.3 MetaMap映射工具 | 第55-56页 |
| 4.2 基于KOS的数据预处理流程 | 第56-65页 |
| 4.2.1 数据来源 | 第58-60页 |
| 4.2.2 数据初始化 | 第60-62页 |
| 4.2.3 概念词频统计 | 第62-64页 |
| 4.2.4 语义类型词频统计 | 第64-65页 |
| 4.3 获得概念的TF-PDF | 第65-69页 |
| 4.4 获得概念的生命值变化率 | 第69-73页 |
| 4.5 获得概念的热度值 | 第73-77页 |
| 4.6 热点概念分析 | 第77-78页 |
| 4.7 获得热点主题 | 第78-79页 |
| 4.8 本章小结 | 第79-81页 |
| 第五章 基于多状态自动机的突发检测模型研究 | 第81-88页 |
| 5.1 突发检测问题定义 | 第81页 |
| 5.2 多状态自动机模型 | 第81-85页 |
| 5.3 计算最优状态序列 | 第85-86页 |
| 5.4 最大置信度突发权重 | 第86-87页 |
| 5.5 本章小结 | 第87-88页 |
| 第六章 突发检测算法实现结果讨论 | 第88-98页 |
| 6.1 突发权重分析和突发概念获取 | 第88-92页 |
| 6.2 突发时间段分析 | 第92-94页 |
| 6.3 突发概念的变化趋势与状态跃迁 | 第94-95页 |
| 6.4 获得突发主题 | 第95-96页 |
| 6.5 本章小结 | 第96-98页 |
| 第七章 总结与展望 | 第98-101页 |
| 7.1 总结 | 第98-99页 |
| 7.2 展望 | 第99-101页 |
| 参考文献 | 第101-109页 |
| 攻读硕士学位期间发表的学术论文 | 第109-110页 |
| 致谢 | 第110页 |
