基于图挖掘的推特事件关联性分析方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外相关研究现状 | 第13-20页 |
| 1.2.1 社交媒体中的大选预测 | 第13-14页 |
| 1.2.2 社交媒体中的事件检测应用 | 第14-16页 |
| 1.2.3 社交媒体中的自然语言处理应用 | 第16-17页 |
| 1.2.4 图挖掘相关方法 | 第17-20页 |
| 1.3 本文主要工作与贡献 | 第20-21页 |
| 1.4 论文章节安排 | 第21-23页 |
| 第二章 社交媒体情感分析方法研究 | 第23-34页 |
| 2.1 社交媒体信息的政治倾向预测 | 第23-27页 |
| 2.1.1 社交媒体情感分析预处理 | 第23-25页 |
| 2.1.2 基于字典的情感分析算法 | 第25-27页 |
| 2.1.2.1 单词情感分析 | 第25-26页 |
| 2.1.2.2 政治倾向情感分析 | 第26-27页 |
| 2.2 反语鉴别分析研究 | 第27-28页 |
| 2.3 美国大选中主流媒体推文的情感分析 | 第28-33页 |
| 2.3.1 推文情感分析方法 | 第28-30页 |
| 2.3.2 推文采集方案流程 | 第30-31页 |
| 2.3.3 推文情感分析结果 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 社交媒体事件检测方法研究 | 第34-51页 |
| 3.1 引言 | 第34页 |
| 3.2 社交媒体事件检测概述 | 第34-35页 |
| 3.3 社交媒体事件检测模型 | 第35-47页 |
| 3.3.1 数据采集模块设计与实现 | 第35-37页 |
| 3.3.2 数据预处理模块设计与实现 | 第37-39页 |
| 3.3.3 数据聚类模块设计与实现 | 第39-43页 |
| 3.3.4 数据分析模块设计与实现 | 第43-47页 |
| 3.3.5 事件检测模型示意图 | 第47页 |
| 3.4 美国大选事件检测研究与分析 | 第47-50页 |
| 3.4.1 事件检测环境与实验数据 | 第47-48页 |
| 3.4.2 实验结果与分析 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于社团检测的大选预测模型 | 第51-73页 |
| 4.1 复杂网络度量方法介绍 | 第52-56页 |
| 4.1.1 聚类系数 | 第52-54页 |
| 4.1.2 平均路径长度 | 第54页 |
| 4.1.3 度分布 | 第54-56页 |
| 4.2 社交媒体复杂网络的构建与社团划分 | 第56-59页 |
| 4.2.1 社交媒体复杂网络的构建方法 | 第56-57页 |
| 4.2.2 社交媒体复杂网络的社团划分 | 第57-59页 |
| 4.2.2.1 用户点赞转发行为的社团划分 | 第58页 |
| 4.2.2.2 用户评论行为的社团划分 | 第58页 |
| 4.2.2.3 话题网络的社团划分 | 第58-59页 |
| 4.3 大选预测模型设计与实现 | 第59-63页 |
| 4.3.1 数据采集模块的设计与实现 | 第59-61页 |
| 4.3.2 美国用户的过滤与筛选 | 第61-62页 |
| 4.3.3 选民投票结果预测方法 | 第62-63页 |
| 4.4 2016 美国大选预测实验与分析 | 第63-72页 |
| 4.4.1 实验结果 | 第63-67页 |
| 4.4.2 实验分析 | 第67-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 工作总结与展望 | 第73-75页 |
| 5.1 工作总结 | 第73-74页 |
| 5.2 工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
