摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景 | 第11页 |
1.2 微博及隐式微博 | 第11-14页 |
1.2.1 微博 | 第11-13页 |
1.2.2 隐式微博 | 第13-14页 |
1.3 微博主题挖掘的研究现状 | 第14-16页 |
1.3.1 利用聚类方法挖掘微博主题 | 第14-15页 |
1.3.2 利用概率主题模型的方法挖掘微博主题 | 第15-16页 |
1.4 隐式微博主题挖掘的主要研究内容及难点 | 第16-17页 |
1.4.1 隐式微博主题挖掘的主要研究内容 | 第16页 |
1.4.2 隐式微博挖掘的难点 | 第16-17页 |
1.5 结构安排 | 第17-18页 |
1.6 本章小结 | 第18-19页 |
第二章 主题模型在微博数据上的应用 | 第19-30页 |
2.1 主题模型 | 第19-21页 |
2.1.1 主题模型的输入 | 第19-20页 |
2.1.2 主题模型中的基本假设 | 第20页 |
2.1.3 主题模型的表示 | 第20-21页 |
2.1.4 新样本的推断 | 第21页 |
2.2 主题模型的参数估计 | 第21-22页 |
2.2.1 EM算法 | 第21-22页 |
2.2.2 Gibbs采样 | 第22页 |
2.3 面向隐式微博的主题模型 | 第22-28页 |
2.3.1 概率主题模型的由来 | 第23页 |
2.3.2 LDA主题模型 | 第23-24页 |
2.3.3 面向微博的派生主题模型 | 第24-27页 |
2.3.4 考虑隐式微博的主题模型 | 第27-28页 |
2.4 各主题模型在微博文本建模上的方法比较 | 第28-29页 |
2.5 本章小结 | 第29-30页 |
第三章 面向隐式微博主题挖掘系统算法设计 | 第30-39页 |
3.1 相关定义 | 第30页 |
3.2 隐式微博显式化方式探究 | 第30-32页 |
3.3 微博生成模型CGRMB-LDA模型 | 第32-37页 |
3.3.1 LDA主题模型中的建模算法 | 第32-33页 |
3.3.2 CGRMB-LDA模型微博主题生成过程 | 第33-37页 |
3.4 评价指标 | 第37-38页 |
3.4.1 人工评价Score | 第37页 |
3.4.2 模型困惑度 | 第37-38页 |
3.5 本章小结 | 第38-39页 |
第四章 系统实现 | 第39-51页 |
4.1 系统总框架 | 第39-40页 |
4.2 获取微博原始数据 | 第40-44页 |
4.2.1 微博开放平台API | 第40-41页 |
4.2.2 OAuth用户身份认证 | 第41页 |
4.2.3 微博API数据获取流程 | 第41-44页 |
4.3 隐式微博分词 | 第44-46页 |
4.3.1 中文文本分词 | 第44-45页 |
4.3.2 隐式微博的扩充分词 | 第45-46页 |
4.4 隐式微博数据预处理 | 第46-47页 |
4.4.1 隐式微博停用词去除 | 第46页 |
4.4.2 隐式微博缩写词和网络符号替换 | 第46-47页 |
4.4.3 隐式微博情感词扩充 | 第47页 |
4.5 使用CGRMB-LDA模型得到微博-主题-词汇概率分布 | 第47-50页 |
4.5.1 得到CGRMB-LDA主题模型的输入 | 第47-48页 |
4.5.2 得到CGRMB-LDA主题模型的输出 | 第48-49页 |
4.5.3 CGRMB-LDA主题模型对新样本中主题的预测 | 第49-50页 |
4.6 本章小结 | 第50-51页 |
第五章 实验与结论 | 第51-60页 |
5.1 实验结果 | 第51-55页 |
5.1.1 初始化分词和数据预处理 | 第51-52页 |
5.1.2 隐式微博数据处理 | 第52页 |
5.1.3 CGRMB-LDA模型主题输出 | 第52-55页 |
5.2 结果分析 | 第55-57页 |
5.3 CGRMB-LDA模型参数调整分析 | 第57-59页 |
5.3.1 隐式微博在评论转发层级上扩充参数的影响 | 第57-58页 |
5.3.2 隐式微博在时间间隔参数上扩充参数的影响 | 第58-59页 |
5.4 本章小结 | 第59-60页 |
第六章 总结与展望 | 第60-61页 |
参考文献 | 第61-66页 |
附录1 攻读硕士学位期间发表的学术论文 | 第66-67页 |
致谢 | 第67页 |