基于微博热点话题发现的关键技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 论文研究背景 | 第9-10页 |
| 1.2 目前热点话题发现国内外现状概况 | 第10-11页 |
| 1.3 论文研究意义 | 第11-12页 |
| 1.4 论文研究内容安排 | 第12-14页 |
| 2 预处理相关技术介绍 | 第14-23页 |
| 2.1 中文分词简述 | 第14-15页 |
| 2.2 数据采集技术 | 第15-16页 |
| 2.3 正则表达式 | 第16-17页 |
| 2.4 文本特征提取 | 第17-21页 |
| 2.4.1 One-Hot文本向量 | 第17-18页 |
| 2.4.2 TF-IDF简介 | 第18-19页 |
| 2.4.3 Word2Vec文本向量模型 | 第19-21页 |
| 2.4.4 LDA文档主题生成模型 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 3 微博舆情信息监测相关技术研究 | 第23-33页 |
| 3.1 文本分类技术 | 第23-25页 |
| 3.1.1 朴素贝叶斯 | 第23-24页 |
| 3.1.2 KNN | 第24页 |
| 3.1.3 支持向量机 | 第24-25页 |
| 3.2 文本聚类技术 | 第25-31页 |
| 3.2.1 Canopy算法 | 第25-26页 |
| 3.2.2 K-Means算法 | 第26-27页 |
| 3.2.3 密度聚类 | 第27-28页 |
| 3.2.4 层次聚类算法 | 第28-30页 |
| 3.2.5 Single-Pass聚类算法 | 第30-31页 |
| 3.3 话题追踪算法 | 第31页 |
| 3.4 本章小结 | 第31-33页 |
| 4 微博热点话题发现系统的设计与实现 | 第33-49页 |
| 4.1 系统设计目标 | 第33页 |
| 4.2 系统的框架结构 | 第33-34页 |
| 4.3 系统的总体设计 | 第34-35页 |
| 4.4 微博的数据采集模块 | 第35-37页 |
| 4.5 微博的数据预处理模块 | 第37-39页 |
| 4.5.1 微博过滤 | 第37页 |
| 4.5.2 微博文本分词 | 第37-39页 |
| 4.5.3 微博去停用词处理 | 第39页 |
| 4.6 热点话题发现模块 | 第39-47页 |
| 4.6.1 Word2vec向量相似度展示 | 第39-42页 |
| 4.6.2 Single-pass算法分析 | 第42-45页 |
| 4.6.3 话题词提取 | 第45-46页 |
| 4.6.4 热点话题具体描述 | 第46-47页 |
| 4.7 热点话题追踪模块 | 第47-48页 |
| 4.8 本章小结 | 第48-49页 |
| 5 系统实现及测试 | 第49-53页 |
| 5.1 系统运行环境和参数 | 第49页 |
| 5.2 系统结果展示 | 第49-52页 |
| 5.2.1 登陆模块 | 第49-50页 |
| 5.2.2 系统主页面 | 第50页 |
| 5.2.3 热点话题排行榜模块 | 第50页 |
| 5.2.4 热点话题浏览模块 | 第50-51页 |
| 5.2.5 热度展示 | 第51-52页 |
| 5.3 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间的研究成果 | 第58页 |
