| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 论文研究内容 | 第10-11页 |
| 1.4 本文组织结构 | 第11-14页 |
| 2 相关理论和技术介绍 | 第14-28页 |
| 2.1 微博健康话题发现概述 | 第14-16页 |
| 2.2 话题发现与跟踪介绍 | 第16-17页 |
| 2.3 话题发现的关键技术 | 第17-27页 |
| 2.3.1 文本模型表示 | 第18-21页 |
| 2.3.2 话题相似度的计算 | 第21-23页 |
| 2.3.3 话题聚类算法的选择 | 第23-26页 |
| 2.3.4 话题聚类评价方法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于VSM和MLDA模型相结合的微博话题发现算法 | 第28-42页 |
| 3.1 传统话题发现方法的局限性 | 第28-29页 |
| 3.2 LDA模型介绍 | 第29-31页 |
| 3.2.1 LDA模型的主题挖掘 | 第29-30页 |
| 3.2.2 LDA模型原理 | 第30-31页 |
| 3.3 MLDA模型的引出 | 第31-34页 |
| 3.3.1 MLDA模型介绍 | 第31-33页 |
| 3.3.2 MLDA模型文档生成原理 | 第33-34页 |
| 3.4 基于VSM和MLDA模型相结合的微博健康话题发现算法 | 第34-41页 |
| 3.4.1 算法思想 | 第34-36页 |
| 3.4.2 微博文本的VSM和MLDA建模 | 第36-37页 |
| 3.4.3 微博文本初次聚类 | 第37-39页 |
| 3.4.4 子话题合并 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 微博健康话题发现系统的设计与实现 | 第42-56页 |
| 4.1 系统总体设计框架 | 第42-44页 |
| 4.2 数据采集与预处理模块 | 第44-46页 |
| 4.2.1 微博内容爬取 | 第44-45页 |
| 4.2.2 用户信息抓取 | 第45页 |
| 4.2.3 微博数据的预处理 | 第45-46页 |
| 4.3 微博数据存取模块 | 第46-47页 |
| 4.3.1 微博数据 | 第46页 |
| 4.3.2 用户数据 | 第46-47页 |
| 4.3.3 子话题数据 | 第47页 |
| 4.3.4 热点话题数据 | 第47页 |
| 4.4 微博话题发现模块 | 第47-52页 |
| 4.4.1 二次聚类算法的准备工作 | 第48页 |
| 4.4.2 初次聚类-改进的Single-pass聚类 | 第48-50页 |
| 4.4.3 二次聚类-AGNES层次聚类 | 第50-52页 |
| 4.5 话题热度计算模块 | 第52-53页 |
| 4.5.1 用户影响力 | 第52-53页 |
| 4.5.2 微博热度 | 第53页 |
| 4.5.3 子话题热度 | 第53页 |
| 4.5.4 话题热度 | 第53页 |
| 4.6 热点话题展示 | 第53-54页 |
| 4.7 本章小结 | 第54-56页 |
| 5 实验与分析 | 第56-62页 |
| 5.1 实验环境 | 第56页 |
| 5.2 实验过程 | 第56-61页 |
| 5.2.1 话题发现算法实验对比 | 第56-57页 |
| 5.2.2 微博热点话题发展趋势分析 | 第57-58页 |
| 5.2.3 性能测试 | 第58-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-63页 |
| 6.1 工作总结 | 第62页 |
| 6.2 未来展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-66页 |
