| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 概述 | 第9-11页 |
| 1.1 论文研究的背景和意义 | 第9-10页 |
| 1.2 论文研究内容 | 第10页 |
| 1.3 论文组织结构 | 第10-11页 |
| 第二章 相关背景知识 | 第11-15页 |
| 2.1 内容组织的现状 | 第11-13页 |
| 2.1.1 信息采集技术 | 第11-12页 |
| 2.1.2 聚类技术 | 第12页 |
| 2.1.3 分类技术 | 第12-13页 |
| 2.2 话题监控研究现状 | 第13-14页 |
| 2.2.1 话题检测 | 第13-14页 |
| 2.2.2 话题跟踪 | 第14页 |
| 2.2.3 时序传播 | 第14页 |
| 2.3 新闻平台挖掘的研究现状 | 第14-15页 |
| 第三章 应用环境分析 | 第15-17页 |
| 3.1 新闻内容概述 | 第15页 |
| 3.2 话题分布特点 | 第15-16页 |
| 3.3 话题传播特点 | 第16-17页 |
| 第四章 话题信息采集 | 第17-20页 |
| 4.1 新闻来源 | 第17页 |
| 4.2 爬虫模块 | 第17-18页 |
| 4.3 预处理模块 | 第18-19页 |
| 4.4 存储模块 | 第19-20页 |
| 第五章 新闻内容组织 | 第20-33页 |
| 5.1 基于HFTC算法的文本聚类组织 | 第20-24页 |
| 5.1.1 传统文本聚类算法 | 第20页 |
| 5.1.2 基于频繁词条集的文本聚类算法 | 第20-23页 |
| 5.1.3 引入索引 | 第23-24页 |
| 5.2 文章分类组织 | 第24-26页 |
| 5.3 实验测评 | 第26-33页 |
| 5.3.1 HFTC聚类组织 | 第26-29页 |
| 5.3.2 朴素贝叶斯分类器进行分类组织 | 第29-33页 |
| 第六章 话题发现 | 第33-53页 |
| 6.1 话题发现基本技术 | 第33-36页 |
| 6.1.1 Single Pass算法 | 第33-35页 |
| 6.1.2 NMF/LDA算法 | 第35-36页 |
| 6.2 基于WBN-FTC的话题发现 | 第36-41页 |
| 6.2.1 新算法优势 | 第36-37页 |
| 6.2.2 小世界模型 | 第37-38页 |
| 6.2.3 词的置信网络(Word Belief Network) | 第38-40页 |
| 6.2.4 图切割策略 | 第40-41页 |
| 6.3 针对发现话题进行推荐 | 第41-43页 |
| 6.3.1 协同过滤推荐引擎 | 第41-42页 |
| 6.3.2 矩阵分解对协同过滤的优化 | 第42-43页 |
| 6.4 话题摘要的生成 | 第43页 |
| 6.5 实验测评 | 第43-53页 |
| 6.5.1 传统方法 | 第43-46页 |
| 6.5.2 WBN-FTC | 第46-53页 |
| 第七章 话题跟踪及其动态特征 | 第53-62页 |
| 7.1 话题跟踪 | 第53-56页 |
| 7.1.1 传统思路 | 第53-54页 |
| 7.1.2 利用分类器组合方法进行话题跟踪 | 第54-56页 |
| 7.2 话题的时间特征 | 第56-59页 |
| 7.2.1 在线新闻话题发现的三个阶段 | 第56-57页 |
| 7.2.2 将时间特征引入话题监控范畴 | 第57页 |
| 7.2.3 基于时间维度上的特征进行话题走势预测 | 第57-58页 |
| 7.2.4 通过分析时间特征进行模式识别 | 第58-59页 |
| 7.3 实验测评 | 第59-62页 |
| 第八章 结论 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-66页 |
| 作者攻读学位期间发表的学术论文目录 | 第66页 |