| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关技术介绍 | 第15-23页 |
| 2.1 文本挖掘 | 第15-18页 |
| 2.1.1 数据预处理 | 第15-16页 |
| 2.1.2 特征选择 | 第16-17页 |
| 2.1.3 文本表示模型 | 第17-18页 |
| 2.1.4 文本聚类 | 第18页 |
| 2.2 共词网络 | 第18-19页 |
| 2.3 社团发现 | 第19页 |
| 2.4 并行计算框架 | 第19-22页 |
| 2.4.1 Hadoop | 第19-20页 |
| 2.4.2 HDFS | 第20-21页 |
| 2.4.3 MapReduce | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 网络新闻数据的获取与建模 | 第23-29页 |
| 3.1 数据获取和预处理 | 第23-24页 |
| 3.2 新闻特征词集构建 | 第24-25页 |
| 3.3 新闻数据建模 | 第25-27页 |
| 3.3.1 报道向量空间 | 第25-26页 |
| 3.3.2 事件向量空间 | 第26-27页 |
| 3.3.3 相似度衡量 | 第27页 |
| 3.4 本章小结 | 第27-29页 |
| 第四章 事件发现与事件特征抽取算法的研究与实现 | 第29-46页 |
| 4.1 基于Single-Pass的事件发现算法 | 第29-37页 |
| 4.1.1 算法流程 | 第29-30页 |
| 4.1.2 数据说明 | 第30-32页 |
| 4.1.3 评价标准 | 第32-33页 |
| 4.1.4 实验及结果分析 | 第33-37页 |
| 4.2 基于Canopy-KMeans的事件发现算法 | 第37-42页 |
| 4.2.1 算法流程 | 第37-41页 |
| 4.2.2 实验及结果分析 | 第41-42页 |
| 4.3 事件特征抽取算法 | 第42-45页 |
| 4.3.1 报道平均相似度 | 第43页 |
| 4.3.2 事件标题 | 第43页 |
| 4.3.3 事件核心报道集 | 第43页 |
| 4.3.4 事件核心词群 | 第43-44页 |
| 4.3.5 事件特征抽取结果 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 事件关联分析算法的研究与实现 | 第46-53页 |
| 5.1 共词网络构建 | 第46-48页 |
| 5.1.1 事件共词网络构建 | 第46-47页 |
| 5.1.2 话题共词网络构建 | 第47-48页 |
| 5.2 基于Louvain算法的事件关联分析算法 | 第48-52页 |
| 5.2.1 模块度 | 第48页 |
| 5.2.2 模块度增量 | 第48页 |
| 5.2.3 算法流程 | 第48-49页 |
| 5.2.4 实验及结果分析 | 第49-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 多源数据分析系统中事件融合分析模块的实现 | 第53-58页 |
| 6.1 多源数据分析系统介绍 | 第53-55页 |
| 6.2 事件融合分析模块介绍 | 第55-56页 |
| 6.3 本章小结 | 第56-58页 |
| 第七章 总结及展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |