面向短文本的网络舆情分析
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·课题研究背景与意义 | 第7-8页 |
| ·相关工作与研究现状 | 第8-10页 |
| ·针对网络短文本的特征提取技术 | 第8-9页 |
| ·针对网络短文本的聚类技术 | 第9-10页 |
| ·本文研究内容与组织结构 | 第10-11页 |
| 第二章 面向短文本的网络舆情分析基础 | 第11-23页 |
| ·网络短文本概述 | 第11-12页 |
| ·网络短文本 | 第11页 |
| ·微博短文本 | 第11-12页 |
| ·《知网(Hownet)》简介 | 第12-18页 |
| ·《知网》的结构 | 第13-15页 |
| ·《知网》的知识描述语言 | 第15-18页 |
| ·聚类与分类策略 | 第18-21页 |
| ·聚类方法 | 第18-20页 |
| ·分类方法 | 第20-21页 |
| ·本章小结 | 第21-23页 |
| 第三章 面向短文本的网络舆情分析模型 | 第23-31页 |
| ·面向短文本的网络舆情分析模型框架 | 第23-24页 |
| ·数据集预处理 | 第24-27页 |
| ·语言技术平台LTP | 第24-25页 |
| ·LTP在本文中的应用 | 第25-26页 |
| ·微博短文本特征相似度计算 | 第26-27页 |
| ·网络短文本舆情分析 | 第27-30页 |
| ·免疫规则与动态聚类算法 | 第27-28页 |
| ·基于免疫的动态聚类算法描述 | 第28-30页 |
| ·聚类结果分析 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第四章 面向短文本的网络舆情分析算法设计 | 第31-41页 |
| ·基于名词语义的微博短文本相似度计算方法 | 第31-35页 |
| ·基于《知网》的词汇相似度计算 | 第31-34页 |
| ·微博短文本相似度算法 | 第34-35页 |
| ·基于免疫的增量动态聚类算法 | 第35-38页 |
| ·基于免疫的常规动态聚类算法 | 第35-36页 |
| ·基于免疫的增量聚类算法 | 第36-37页 |
| ·聚类系统优化 | 第37-38页 |
| ·舆情分析方法 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第五章 实验结果与分析 | 第41-49页 |
| ·微博短文本相似度计算实验 | 第41-45页 |
| ·实验数据来源 | 第41页 |
| ·实验结果分析 | 第41-45页 |
| ·微博数据集聚类实验 | 第45-47页 |
| ·实验数据来源 | 第45-46页 |
| ·实验结果分析 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 个人研究成果 | 第57页 |
