| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 1 引言 | 第10-15页 |
| ·研究背景和意义 | 第10-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·国外研究现状 | 第12页 |
| ·国内研究现状 | 第12-13页 |
| ·论文结构 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 2 相关工作与技术综述 | 第15-21页 |
| ·微博文本特征表示 | 第15页 |
| ·分词处理 | 第15页 |
| ·概率主题模型应用思想及以微博为研究对象的建模应用 | 第15-16页 |
| ·LDA概率模型思想简介及以微博为研究对象的建模应用 | 第16-17页 |
| ·文本热点词元提取算法 | 第17-19页 |
| ·TF-IDF公式原理 | 第18页 |
| ·微博主题特征词的提取算法 | 第18-19页 |
| ·相似度计算及聚类算法 | 第19页 |
| ·本章小结 | 第19-21页 |
| 3 微博热点信息聚类提取计算 | 第21-26页 |
| ·微博发表日期及衰减度计算 | 第21页 |
| ·基于LDA模型的微博文本内容的相似度计算及聚类分析 | 第21-24页 |
| ·基于微博用户影响力因素对微博热度值的计算 | 第24页 |
| ·微博热点话题的关联及推荐 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 4 Hadoop云计算平台关键技术简介及微博热点信息聚类提取的实现 | 第26-39页 |
| ·Hadoop云计算平台概念及发展趋势 | 第26-27页 |
| ·分布式文件系统架构 | 第27-29页 |
| ·分布式数据处理-MapReduce及实现机制 | 第29-30页 |
| ·MapReduce编程模型 | 第30-31页 |
| ·基于Hadoop平台的微博热点信息聚类提取的研究与实现 | 第31-38页 |
| ·统计每条微博中单词的出现次数 | 第34页 |
| ·计算微博单词词频TF | 第34页 |
| ·计算微博单词的TF-IDF值 | 第34-35页 |
| ·计算主题特征词的权重 | 第35页 |
| ·基于概率主题模型LDA的微博文本信息的相似度计算实现 | 第35-37页 |
| ·基于微博用户影响力计算微博的热度值 | 第37页 |
| ·热点词元与话题的关联计算 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 5 实验设计及结果分析 | 第39-46页 |
| ·云计算平台搭建硬件解决方案 | 第39页 |
| ·微博实验数据获取 | 第39页 |
| ·实验设计 | 第39-40页 |
| ·评价标准 | 第39-40页 |
| ·分词处理 | 第40页 |
| ·实验结果 | 第40-44页 |
| ·基于模型LDA的微博热点信息聚类提取结果评价 | 第40-42页 |
| ·基于Hadoop云计算平台对算法效率提升的结果评价 | 第42-44页 |
| ·本章小结 | 第44-46页 |
| 6 总结与展望 | 第46-48页 |
| ·总结 | 第46-47页 |
| ·展望 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-51页 |
| 作者简介 | 第51页 |
