| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·本文研究背景 | 第8-9页 |
| ·研究目的和意义 | 第9-11页 |
| ·本文研究内容和创新点 | 第11-12页 |
| ·研究内容 | 第11-12页 |
| ·创新点 | 第12页 |
| ·本文结构 | 第12-14页 |
| 第2章 相关技术及研究现状 | 第14-29页 |
| ·话题发现与跟踪研究现状 | 第14-15页 |
| ·文本表示模型 | 第15-18页 |
| ·布尔模型 | 第15-16页 |
| ·向量空间模型 | 第16-18页 |
| ·N-gram 模型 | 第18页 |
| ·文本聚类方法 | 第18-22页 |
| ·k-means 聚类算法 | 第19-20页 |
| ·Hierarchical cluster 聚类算法 | 第20-22页 |
| ·Single-Pass 增量聚类方法 | 第22页 |
| ·文本分类方法 | 第22-27页 |
| ·决策树 | 第22-24页 |
| ·贝叶斯 | 第24-25页 |
| ·K-近邻 | 第25-26页 |
| ·支持向量机 | 第26-27页 |
| ·微博信息挖掘现状 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 微博特点分析 | 第29-37页 |
| ·微博概述 | 第29-31页 |
| ·微博用户特点及分类 | 第31-32页 |
| ·微博信息特点 | 第32-33页 |
| ·微博话题的特点及热度评价 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 微博热点话题发现技术 | 第37-52页 |
| ·潜在语义分析 | 第37页 |
| ·概率话题模型 | 第37-38页 |
| ·产生式模型 | 第38-39页 |
| ·隐狄利克利分配(Latent Dirichlet Allocation) | 第39-45页 |
| ·多项分布 | 第40-41页 |
| ·狄利克利分布 | 第41-42页 |
| ·建模过程 | 第42-44页 |
| ·Gibbs Sampling | 第44-45页 |
| ·基于语义的谱聚类 | 第45-51页 |
| ·谱聚类的基本理论 | 第45-46页 |
| ·相似矩阵的构造 | 第46-47页 |
| ·算法框架 | 第47-50页 |
| ·谱聚类的优势 | 第50-51页 |
| ·话题热度的计算方法 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第5章 微博热点话题跟踪技术 | 第52-55页 |
| ·算法框架 | 第52-53页 |
| ·新文本的话题分布回归方法 | 第53页 |
| ·文本所属类别判断方法 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第6章 实验结果与分析 | 第55-60页 |
| ·试验流程 | 第55页 |
| ·评价体系与数据集合 | 第55-57页 |
| ·实验结果 | 第57-60页 |
| 第7章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 在学期间发表的学术论文与研究成果 | 第64-65页 |
| 致谢 | 第65页 |