| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究进展 | 第11-13页 |
| 1.3 论文的主要研究内容与方案设计 | 第13-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第2章 相关基础知识介绍 | 第16-31页 |
| 2.1 中文自然语言处理相关技术 | 第16-19页 |
| 2.1.1 去除停止词 | 第16页 |
| 2.1.2 中文分词 | 第16-18页 |
| 2.1.3 中文词性标注 | 第18页 |
| 2.1.4 中文自动分词与词性标注系统 | 第18-19页 |
| 2.2 频繁词集挖掘相关算法 | 第19-26页 |
| 2.2.1 关联规则挖掘相关概念 | 第19-20页 |
| 2.2.2 频繁词集相关概念 | 第20-21页 |
| 2.2.3 频繁词集挖掘相关算法 | 第21-26页 |
| 2.3 主题模型及其代表性建模方法介绍 | 第26-30页 |
| 2.3.1 潜在主题模型LDA | 第27-29页 |
| 2.3.2 稀疏话题模型BTM | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于top-k频繁闭词集的粗粒度短文本聚类 | 第31-47页 |
| 3.1 文本聚类概述 | 第31-32页 |
| 3.1.1 文本聚类方法 | 第31页 |
| 3.1.2 短文本聚类面临的挑战 | 第31-32页 |
| 3.2 基于频繁词集的短文本聚类方法 | 第32-40页 |
| 3.2.1 基于FP-growth的top-k频繁闭词集挖掘算法 | 第33-37页 |
| 3.2.2 基于频繁闭词集的文本聚类 | 第37-38页 |
| 3.2.3 基于最大频繁词集的相似性文档去重 | 第38-40页 |
| 3.3 实验方案设计 | 第40-44页 |
| 3.3.1 微博语料选取与预处理 | 第40-44页 |
| 3.3.2 聚类算法准确性度量 | 第44页 |
| 3.4 实验结果分析 | 第44-45页 |
| 3.4.1 实验结果对比 | 第44-45页 |
| 3.4.2 性能比较及分析 | 第45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于词对共现LDA模型的细粒度簇内主题挖掘 | 第47-61页 |
| 4.1 面向主题的文本挖掘技术概述 | 第47-48页 |
| 4.1.1 主题模型的工作原理 | 第47-48页 |
| 4.1.2 短文本主题建模存在的主要问题 | 第48页 |
| 4.2 基于词对共现的LDA主题模型 | 第48-53页 |
| 4.2.1 "词对(biterm)"的生成 | 第49页 |
| 4.2.2 基于词对共现的LDA主题模型的表示 | 第49-51页 |
| 4.2.3 基于词对共现的LDA主题模型的参数估计 | 第51-53页 |
| 4.3 实验方案设计 | 第53-55页 |
| 4.3.1 实验方案 | 第53-54页 |
| 4.3.2 实验性能评价指标 | 第54-55页 |
| 4.4 实验结果分析 | 第55-60页 |
| 4.4.1 实验环境 | 第55-56页 |
| 4.4.2 主题数目确定 | 第56-57页 |
| 4.4.3 实验结果分析 | 第57-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 微博内隐主题挖掘系统原型设计 | 第61-71页 |
| 5.1 系统需求分析 | 第61-63页 |
| 5.1.1 系统目标 | 第61页 |
| 5.1.2 系统功能需求 | 第61-62页 |
| 5.1.3 系统非功能需求 | 第62-63页 |
| 5.2 原型系统设计 | 第63-65页 |
| 5.2.1 系统整体流程图 | 第63页 |
| 5.2.2 系统架构设计 | 第63-65页 |
| 5.3 系统实现设计 | 第65-68页 |
| 5.3.1 系统实现软件环境设计 | 第65页 |
| 5.3.2 主要模块的实现流程设计 | 第65-68页 |
| 5.4 实验结果可视化表示 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 研究工作总结 | 第71页 |
| 6.2 下一步工作展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78页 |
