一种基于LDA中文微博舆情演化分析方法
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第2章 相关技术理论基础 | 第13-25页 |
| 2.1 微博数据抽取技术 | 第13-17页 |
| 2.1.1 基于网络爬虫的数据获取 | 第13-14页 |
| 2.1.2 基于API的数据获取 | 第14-17页 |
| 2.2 短文本分析 | 第17-21页 |
| 2.2.1 微博短文本的特点 | 第17页 |
| 2.2.2 特征提取 | 第17-19页 |
| 2.2.3 文本表示 | 第19页 |
| 2.2.4 文本分类 | 第19-21页 |
| 2.3 概率主题模型 | 第21-24页 |
| 2.3.1 隐含语义分析 | 第22-23页 |
| 2.3.2 PLSI模型 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 微博情感倾向值计算 | 第25-39页 |
| 3.1 情感倾向值计算方法 | 第25-35页 |
| 3.1.1 情感倾向值计算流程 | 第25-26页 |
| 3.1.2 微博语料处理 | 第26-28页 |
| 3.1.3 构建文本情感词典 | 第28页 |
| 3.1.4 构建修饰词词典 | 第28-29页 |
| 3.1.5 文本情感计算语句规则 | 第29-31页 |
| 3.1.6 微博文本情感倾向值计算 | 第31-32页 |
| 3.1.7 微博表情情感倾向值计算 | 第32-34页 |
| 3.1.8 微博情感倾向值计算 | 第34-35页 |
| 3.2 实验结果与分析 | 第35-37页 |
| 3.2.1 实验数据 | 第35页 |
| 3.2.2 评价指标 | 第35-36页 |
| 3.2.3 实验对比分析 | 第36-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第4章 一种基于LDA中文微博舆情演化分析方法 | 第39-55页 |
| 4.1 LDA主题模型 | 第39-40页 |
| 4.2 Gibbs采样 | 第40-41页 |
| 4.3 S-OLDA主题演化模型 | 第41-45页 |
| 4.3.1 主题遗传度 | 第42-44页 |
| 4.3.2 增量Gibbs采样 | 第44-45页 |
| 4.4 舆情主题演化度量 | 第45-48页 |
| 4.4.1 主题强度度量 | 第45-46页 |
| 4.4.2 主题相似度度量 | 第46-47页 |
| 4.4.3 主题情感值度量 | 第47-48页 |
| 4.5 实验及结果分析 | 第48-53页 |
| 4.5.1 实验环境 | 第48页 |
| 4.5.2 S-OLDA模型建模 | 第48-49页 |
| 4.5.3 S-OLDA、OLDA对比 | 第49-51页 |
| 4.5.4 主题强度演化分析 | 第51页 |
| 4.5.5 主题内容演化分析 | 第51-52页 |
| 4.5.6 主题情感演化分析 | 第52-53页 |
| 4.6 本章小结 | 第53-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
