摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第9-16页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究进展 | 第10-12页 |
1.3 研究内容及难点 | 第12-13页 |
1.4 研究技术路线 | 第13-14页 |
1.5 章节安排 | 第14-16页 |
第二章 技术理论体系 | 第16-28页 |
2.1 社会网络分析法 | 第16-18页 |
2.1.1 网络密度分析 | 第16页 |
2.1.2 k-核分析 | 第16页 |
2.1.3 Lambda集合分析 | 第16-17页 |
2.1.4 节点中心度 | 第17页 |
2.1.5 接近中心度 | 第17页 |
2.1.6 中介中心度 | 第17页 |
2.1.7 结构洞分析 | 第17-18页 |
2.2 自然语言处理 | 第18-23页 |
2.2.1 文本分类 | 第18-21页 |
2.2.2 信息提取 | 第21-22页 |
2.2.3 NLTK | 第22-23页 |
2.3 带地理标签的社交媒体数据分析 | 第23-27页 |
2.3.1 基于位置的用户建模 | 第24-25页 |
2.3.2 基于位置的服务 | 第25-26页 |
2.3.3 基于位置的预测 | 第26-27页 |
2.4 小结 | 第27-28页 |
第三章 结合时空分布分析与用户关系分析的微博热点事件数据挖掘研究 | 第28-35页 |
3.1 基于社会网络分析法的微博热点事件用户关系分析 | 第28-29页 |
3.1.1 数据获取 | 第29页 |
3.1.2 数据处理 | 第29页 |
3.1.3 结果显示 | 第29页 |
3.2 基于python自然语言处理的微博热点事件自然语言处理 | 第29-32页 |
3.2.1 数据获取 | 第31-32页 |
3.2.2 数据处理 | 第32页 |
3.2.3 结果显示 | 第32页 |
3.3 基于地理标签的微博热点事件数据时空分布分析 | 第32-34页 |
3.3.1 数据获取 | 第33-34页 |
3.3.2 数据处理 | 第34页 |
3.3.3 结果显示 | 第34页 |
3.4 小结 | 第34-35页 |
第四章 应用案例一 | 第35-46页 |
4.1 研究数据 | 第35页 |
4.2 研究结果 | 第35-38页 |
4.2.1 用户关系网络图 | 第35-37页 |
4.2.2 信息提取结果 | 第37页 |
4.2.3 时空分布图 | 第37-38页 |
4.3 用户关系分析 | 第38-42页 |
4.3.1 网络密度分析 | 第38-39页 |
4.3.2 k-核分析 | 第39页 |
4.3.3 Lambda集合分析 | 第39-40页 |
4.3.4 节点中心度 | 第40-41页 |
4.3.5 接近中心度 | 第41页 |
4.3.6 中介中心度 | 第41-42页 |
4.3.7 结构洞分析 | 第42页 |
4.4 自然语言分析 | 第42-43页 |
4.4.1 词频分析 | 第42-43页 |
4.4.2 热点事件词汇分析 | 第43页 |
4.5 时空分布分析 | 第43-45页 |
4.5.1 人群时空分布分析 | 第44页 |
4.5.2 专题时空分布分析 | 第44-45页 |
4.6 小结 | 第45-46页 |
第五章 应用案例二 | 第46-54页 |
5.1 研究数据 | 第46页 |
5.2 研究结果 | 第46-49页 |
5.2.1 用户关系网络图 | 第46-47页 |
5.2.2 信息提取结果 | 第47页 |
5.2.3 时空分布图 | 第47-49页 |
5.3 用户关系分析 | 第49-51页 |
5.3.1 网络密度分析 | 第49页 |
5.3.2 k-核分析 | 第49-50页 |
5.3.3 Lambda集合分析 | 第50页 |
5.3.4 节点中心度 | 第50页 |
5.3.5 接近中心度 | 第50-51页 |
5.3.6 中介中心度 | 第51页 |
5.3.7 结构洞分析 | 第51页 |
5.4 自然语言分析 | 第51-52页 |
5.4.1 词频分析 | 第51-52页 |
5.4.2 热点事件词汇分析 | 第52页 |
5.5 时空分布分析 | 第52-53页 |
5.5.1 人群时空分布分析 | 第52-53页 |
5.5.2 专题时空分布分析 | 第53页 |
5.6 小结 | 第53-54页 |
结论与展望 | 第54-56页 |
参考文献 | 第56-58页 |
致谢 | 第58页 |