| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 话题检测国内外研究现状 | 第11-13页 |
| 1.2.1 话题发现与追踪技术 | 第11-12页 |
| 1.2.2 微博热点话题检测 | 第12-13页 |
| 1.3 论文的研究内容与组织结构 | 第13-15页 |
| 第2章 微博热点话题发现的相关理论和技术 | 第15-29页 |
| 2.1 微博热点话题 | 第15-18页 |
| 2.1.1 微博的起源及特点 | 第15-17页 |
| 2.1.2 微博热点话题概述 | 第17-18页 |
| 2.2 文本表示模型 | 第18-21页 |
| 2.2.1 向量空间模型（VSM） | 第18-19页 |
| 2.2.2 隐含语义分析模型（LSA） | 第19-20页 |
| 2.2.3 概率隐含语义分析模型（pLSA） | 第20-21页 |
| 2.2.4 潜在狄利克雷分布模型（LDA） | 第21页 |
| 2.3 文本特征选择 | 第21-23页 |
| 2.4 文本的相似性度量 | 第23-24页 |
| 2.5 常用的文本聚类算法 | 第24-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 微博数据的预处理与建模方案 | 第29-40页 |
| 3.1 微博文本预处理 | 第29-32页 |
| 3.2 基于VSM的文本建模 | 第32-34页 |
| 3.3 基于LDA模型的文本建模 | 第34-37页 |
| 3.3.1 主题模型 | 第34-35页 |
| 3.3.2 文档生成过程 | 第35-36页 |
| 3.3.3 Gibbs抽样 | 第36页 |
| 3.3.4 基于LDA建模 | 第36-37页 |
| 3.4 模型比较与选择 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于混和聚类的微博热点话题发现方法 | 第40-51页 |
| 4.1 方法的提出 | 第40-42页 |
| 4.1.1 聚类算法的比较和选择 | 第40-41页 |
| 4.1.2 本文算法的提出 | 第41-42页 |
| 4.2 话题检测流程 | 第42-43页 |
| 4.3 混合聚类算法 | 第43-49页 |
| 4.3.1 AGNES算法的基本思想 | 第43-44页 |
| 4.3.2 改进的层次聚类算法 | 第44-46页 |
| 4.3.3 K-means算法的基本思想 | 第46-47页 |
| 4.3.4 结合层次聚类算法的改进K-means算法 | 第47-49页 |
| 4.4 话题热度评估 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 实验结果与分析 | 第51-57页 |
| 5.1 实验环境 | 第51页 |
| 5.2 实验数据及处理 | 第51-53页 |
| 5.3 实验评测标准 | 第53-54页 |
| 5.4 话题检测算法性能比较 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-65页 |
| 附件 | 第65-68页 |