| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 话题检测技术 | 第13-14页 |
| 1.2.2 话题聚类技术 | 第14-16页 |
| 1.2.3 趋势分析及预测技术 | 第16-17页 |
| 1.3 研究内容及主要工作 | 第17-18页 |
| 1.4 论文结构安排 | 第18-19页 |
| 第二章 相关理论基础及技术 | 第19-32页 |
| 2.1 社交网络 | 第19-20页 |
| 2.2 话题检测相关技术 | 第20-28页 |
| 2.2.1 中文分词 | 第20-21页 |
| 2.2.2 语言表示模型 | 第21-22页 |
| 2.2.3 点互信息 | 第22-23页 |
| 2.2.4 文本聚类算法 | 第23-27页 |
| 2.2.5 文本相似度计算 | 第27-28页 |
| 2.3 趋势分析技术 | 第28-30页 |
| 2.3.1 社交网络信息传播特征 | 第28-29页 |
| 2.3.2 基于统计的回归分析模型 | 第29-30页 |
| 2.3.3 基于机器学习的回归模型 | 第30页 |
| 2.3.4 其他趋势分析模型 | 第30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 基于非负矩阵分解的文本聚类算法 | 第32-40页 |
| 3.1 引言 | 第32页 |
| 3.2 话题的概念及定义 | 第32-33页 |
| 3.3 NMF算法原理及其在文本聚类中的应用 | 第33-36页 |
| 3.3.1 NMF算法原理 | 第33-35页 |
| 3.3.2 NMF算法在文本聚类中的应用 | 第35-36页 |
| 3.4 NMFPT算法 | 第36-39页 |
| 3.4.1 基于改进的TF-IDF与点互信息的文本表示模型 | 第37-38页 |
| 3.4.2 NMFPT算法描述 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 在线话题检测算法 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 在线话题检测 | 第40-41页 |
| 4.3 基于时间窗和簇合并的在线话题检测算法 | 第41-49页 |
| 4.3.1 层次非负矩阵分解 | 第41-42页 |
| 4.3.2 节点凝聚度评价 | 第42-44页 |
| 4.3.3 改进的类簇合并方法 | 第44-46页 |
| 4.3.4 HNMF_TC算法描述 | 第46-49页 |
| 4.3.5 HNMF_TC时间复杂度分析 | 第49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 微博话题趋势分析及预测 | 第50-58页 |
| 5.1 引言 | 第50页 |
| 5.2 趋势分析及预测的目标 | 第50-51页 |
| 5.3 话题趋势影响因素 | 第51-54页 |
| 5.3.1 用户相关指标 | 第51-53页 |
| 5.3.2 博文相关指标 | 第53-54页 |
| 5.3.3 时间相关指标 | 第54页 |
| 5.4 基于梯度提升回归树的回归模型 | 第54-56页 |
| 5.4.1 梯度提升回归树 | 第54-55页 |
| 5.4.2 回归模型的构建 | 第55-56页 |
| 5.5 话题检测与趋势分析及预测整体框架 | 第56-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第六章 实验与结果分析 | 第58-70页 |
| 6.1 引言 | 第58页 |
| 6.2 数据集与实验环境 | 第58-60页 |
| 6.2.1 实验环境及平台设置 | 第58页 |
| 6.2.2 实验数据采集、存储及预处理 | 第58-60页 |
| 6.3 实验方案与结果分析 | 第60-69页 |
| 6.3.1 NMFPT聚类算法实验结果与分析 | 第60-65页 |
| 6.3.2 HNMF_TC在线话题检测算法实验结果与分析 | 第65-67页 |
| 6.3.3 趋势分析与预测模型实验结果与分析 | 第67-69页 |
| 6.4 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |