网络舆情热点话题自动化发现技术研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景和意义 | 第10-11页 |
| ·相关研究现状 | 第11-13页 |
| ·网络舆情及热点话题研究现状 | 第11-12页 |
| ·话题识别与跟踪的研究现状 | 第12-13页 |
| ·本文研究内容 | 第13-14页 |
| ·本文结构安排 | 第14-15页 |
| 第2章 网络热点话题自动发现文本预处理关键技术 | 第15-33页 |
| ·网络新闻预处理关键技术 | 第15-20页 |
| ·中文自动分词 | 第15-16页 |
| ·文档向量表示 | 第16-17页 |
| ·特征词提取及权重计算 | 第17-20页 |
| ·相似度计算 | 第20页 |
| ·话题发现的主要任务 | 第20-23页 |
| ·对新闻报道的切分 | 第21页 |
| ·新事件的识别 | 第21页 |
| ·报道关系识别 | 第21-22页 |
| ·话题识别 | 第22页 |
| ·话题跟踪 | 第22-23页 |
| ·文本聚类算法 | 第23-30页 |
| ·经典的 single-pass 算法 | 第23-25页 |
| ·基于划分的聚类算法 | 第25-26页 |
| ·基于层次的聚类算法 | 第26-28页 |
| ·基于密度的聚类算法 | 第28-29页 |
| ·基于网格的聚类算法 | 第29-30页 |
| ·聚类算法的比较 | 第30-33页 |
| ·聚类算法对比标准 | 第30-31页 |
| ·聚类算法的比较 | 第31-33页 |
| 第3章 网络新闻话题自动发现技术研究 | 第33-40页 |
| ·特征提取改进 | 第33-35页 |
| ·基于词频统计的特征提取 | 第33-34页 |
| ·文本正文与标题加权词频统计 | 第34-35页 |
| ·报道表示模型和话题表示模型 | 第35-36页 |
| ·报道表示模型 | 第35页 |
| ·话题表示模型 | 第35-36页 |
| ·报道和话题相似度计算 | 第36页 |
| ·网络新闻话题发现算法 | 第36-39页 |
| ·网络新闻话题自动发现流程 | 第39-40页 |
| 第4章 网络新闻热点话题热度分析 | 第40-46页 |
| ·热点话题的概念和特征 | 第40页 |
| ·构建网络新闻热点话题衡量基本指标 | 第40-41页 |
| ·热点话题特征项的定量化 | 第41-42页 |
| ·网络新闻热点话题发现模型 | 第42-44页 |
| ·基于媒体关注度的网络新闻热点话题发现模型 | 第42-43页 |
| ·基于用户关注度的网络新闻热点话题发现模型 | 第43页 |
| ·网络新闻热点话题发现模型 | 第43-44页 |
| ·话题热度指数和话题发展曲线 | 第44-46页 |
| 第5章 实验结果及分析 | 第46-53页 |
| ·实验环境 | 第46页 |
| ·实验数据 | 第46页 |
| ·实验的评测标准 | 第46-47页 |
| ·实验结果及分析 | 第47-51页 |
| ·确定文本正文与标题中特征项加权因子 | 第47页 |
| ·确定基于二层策略聚类算法的相似度阈值 | 第47-48页 |
| ·聚类算法改进前后的对比 | 第48-49页 |
| ·热点话题提取 | 第49-51页 |
| ·话题发展曲线 | 第51-53页 |
| 第6章 总结与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60-61页 |
