全自动中文热推机器人培养方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义与课题来源 | 第13页 |
| 1.2 研究内容与创新点 | 第13-15页 |
| 1.3 论文组织结构 | 第15-17页 |
| 第二章 相关工作概述 | 第17-24页 |
| 2.1 微博数据采集技术 | 第17-18页 |
| 2.2 热点话题发现技术 | 第18-20页 |
| 2.2.1 基于词频的热点话题发现 | 第18页 |
| 2.2.2 基于分类的热点话题发现 | 第18-19页 |
| 2.2.3 基于聚类的热点话题发现 | 第19页 |
| 2.2.4 基于语义分析的热点话题发现 | 第19-20页 |
| 2.3 热点话题追踪技术 | 第20-23页 |
| 2.3.1 传统领域的话题跟踪 | 第20-21页 |
| 2.3.2 微博领域的话题跟踪 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于相容关系的微博热点话题发现 | 第24-34页 |
| 3.1 模型概述 | 第24-25页 |
| 3.2 相容关系 | 第25-29页 |
| 3.2.1 基本概念 | 第25-27页 |
| 3.2.2 最大相容类的计算方法 | 第27-29页 |
| 3.3 模型实现 | 第29-31页 |
| 3.3.1 算法实现流程 | 第29-30页 |
| 3.3.2 最大相容类计算模型 | 第30-31页 |
| 3.4 实验及结果分析 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 融合用户关系的自适应微博话题跟踪 | 第34-52页 |
| 4.1 话题追踪模型概述 | 第34-35页 |
| 4.2 微博用户关系模型 | 第35-36页 |
| 4.3 话题追踪模型实现 | 第36-43页 |
| 4.3.1 特征向量的提取与权重计算 | 第36-37页 |
| 4.3.2 极坐标变换及线性可分证明 | 第37-41页 |
| 4.3.3 K-means聚类算法实现 | 第41-43页 |
| 4.4 实验及结果分析 | 第43-51页 |
| 4.4.1 话题追踪过程及结果分析 | 第43-45页 |
| 4.4.2 自适应性实验分析 | 第45-49页 |
| 4.4.3 对比实验结果分析 | 第49-51页 |
| 4.4.4 算法稳定性实验 | 第51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 全自动中文热推机器人培养系统实现 | 第52-61页 |
| 5.1 系统架构 | 第52-53页 |
| 5.2 系统各模块的实现 | 第53-60页 |
| 5.2.1 微博数据采集模块 | 第53-56页 |
| 5.2.2 微博热点话题发现模块 | 第56-57页 |
| 5.2.3 微博热点话题追踪模块 | 第57-59页 |
| 5.2.4 微博账号自动发帖模块 | 第59-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 作者攻读学位期间发表的学术论文目录 | 第69页 |
