基于云计算的微博舆情监控系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景研究 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外话题发现研究现状 | 第10-11页 |
| 1.2.2 国内话题发现研究现状 | 第11页 |
| 1.3 课题主要内容 | 第11-12页 |
| 1.4 课题来源 | 第12-13页 |
| 1.5 论文章节安排 | 第13-14页 |
| 2 相关技术介绍 | 第14-26页 |
| 2.1 云计算技术 | 第14-19页 |
| 2.1.1 云计算的服务模式 | 第14-15页 |
| 2.1.2 典型的云计算平台 | 第15页 |
| 2.1.3 Apache Hadoop | 第15-19页 |
| 2.2 舆情监控主要流程 | 第19-24页 |
| 2.2.1 文本模型建立 | 第20-21页 |
| 2.2.2 文本相似度计算 | 第21-22页 |
| 2.2.3 微博舆情监控分析 | 第22-24页 |
| 2.3 本章小结 | 第24-26页 |
| 3 基于微博短文本话题发现算法 | 第26-38页 |
| 3.1 微博文本分类 | 第27-29页 |
| 3.2 中文分词 | 第29-31页 |
| 3.2.1 数据预处理 | 第30页 |
| 3.2.2 新词发现 | 第30-31页 |
| 3.3 改进的LDA模型 | 第31-35页 |
| 3.3.1 微博文本的LDA建模 | 第32-34页 |
| 3.3.2 选取LDA超越参数 | 第34-35页 |
| 3.4 热点话题发现流程 | 第35-37页 |
| 3.4.1 LDA主题模型算法流程 | 第35-36页 |
| 3.4.2 基于LDA的主题聚类 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 微博舆情监控系统的设计 | 第38-51页 |
| 4.1 数据采集模块 | 第38-41页 |
| 4.1.1 基于新浪API的数据采集 | 第39页 |
| 4.1.2 基于网络爬虫的数据采集 | 第39-41页 |
| 4.2 数据处理模块 | 第41-42页 |
| 4.2.1 去除无用符号 | 第41-42页 |
| 4.2.2 分词处理 | 第42页 |
| 4.2.3 去除停用词 | 第42页 |
| 4.2.4 文本模型 | 第42页 |
| 4.3 话题发现模块 | 第42-48页 |
| 4.3.1 K-means++ 算法实现 | 第43-47页 |
| 4.3.2 热点话题发现 | 第47-48页 |
| 4.4 舆情分析模块 | 第48-50页 |
| 4.4.1 热点话题传播路径 | 第48-49页 |
| 4.4.2 热点话题倾向性分析 | 第49-50页 |
| 4.4.3 热点话题社会网络分析 | 第50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 实验结果分析 | 第51-61页 |
| 5.1 系统部署 | 第51-53页 |
| 5.1.1 集群系统结构 | 第51页 |
| 5.1.2 环境配置 | 第51-53页 |
| 5.2 微博数据采集 | 第53页 |
| 5.3 话题发现实验结果与分析 | 第53-60页 |
| 5.3.1 建立分类模型 | 第53-54页 |
| 5.3.2 中文分词 | 第54-55页 |
| 5.3.3 热点话题发现 | 第55-56页 |
| 5.3.4 舆情分析结果展示 | 第56-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间发表的相关学术论文及研究成果 | 第68页 |
