基于微博的舆情分析系统设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 论文的研究背景和意义 | 第8-9页 |
| 1.2 本文主要研究工作 | 第9页 |
| 1.3 论文组织结构 | 第9-12页 |
| 第2章 相关工作综述 | 第12-20页 |
| 2.1 国内外研究现状 | 第12-13页 |
| 2.2 微博数据信息获取和预处理 | 第13-17页 |
| 2.3 微博文本分类分析 | 第17-18页 |
| 2.4 微博文本聚类分析 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第3章 基于主题的微博数据采集与预处理 | 第20-30页 |
| 3.1 基于主题的微博数据采集 | 第20-21页 |
| 3.2 微博数据预处理 | 第21-29页 |
| 3.2.1 数据采样 | 第22-24页 |
| 3.2.2 微博文本词法分析 | 第24-26页 |
| 3.2.3 微博词频矩阵生成 | 第26-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 基于主题微博的文本分类算法分析 | 第30-44页 |
| 4.1 基于主题微博的文本分类算法 | 第30-35页 |
| 4.1.1 KNN(最近邻)分类算法 | 第30-32页 |
| 4.1.2 决策树分类算法 | 第32-34页 |
| 4.1.3 随机森林分类算法 | 第34-35页 |
| 4.2 文本分类结果评估标准 | 第35-36页 |
| 4.3 微博文本主题分类实验分析 | 第36-41页 |
| 4.3.1 KNN（最近邻）算法建模和评估 | 第36-38页 |
| 4.3.2 决策树算法建模和评估 | 第38-40页 |
| 4.3.3 随机森林算法建模和评估 | 第40-41页 |
| 4.3.4 几种分类算法的对比评估 | 第41页 |
| 4.4 本章小结 | 第41-44页 |
| 第5章 基于K-Means的微博文本聚类算法分析 | 第44-48页 |
| 5.1 基于K-Means算法的微博文本聚类 | 第44-45页 |
| 5.2 微博文本主题聚类实验分析 | 第45-47页 |
| 5.3 本章小结 | 第47-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-56页 |
| 个人简历 | 第56页 |
