| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 目录 | 第10-12页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 微博文本与传统新闻文本的对比 | 第14-15页 |
| 1.2.2 微博平台话题检测的基本方法研究 | 第15-16页 |
| 1.2.3 当前研究方法存在的不足 | 第16-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第二章 相关研究工作 | 第21-29页 |
| 2.1 基于社交关系与内容的微博话题检测任务的相关研究 | 第21-23页 |
| 2.1.1 基于社交关系的微博话题检测任务研究 | 第21-22页 |
| 2.1.2 基于内容的微博话题检测研究 | 第22-23页 |
| 2.2 主题模型相关研究 | 第23-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于关键字固定的微博热点话题语义层面切分框架 | 第29-39页 |
| 3.1 与本文研究相关的微博概念介绍 | 第29-30页 |
| 3.2 话题受众参与内容研究 | 第30-31页 |
| 3.2.1 事件介绍 | 第30页 |
| 3.2.2 事件受众参与内容分析研究 | 第30-31页 |
| 3.3 热点话题的潜在语义维度的多样性 | 第31-32页 |
| 3.4 系统整体框架 | 第32-38页 |
| 3.4.1 推文信息特征提取模块 | 第33-37页 |
| 3.4.2 主题切分模块 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于关键字固定的微博热点话题语义层面切分算法 | 第39-48页 |
| 4.1 Labeled LDA主题模型 | 第39-41页 |
| 4.2 基于Labeled LDA改进的Key-Anchored LDA主题模型 | 第41-47页 |
| 4.2.1 Labeled LDA的优缺点分析 | 第41页 |
| 4.2.2 Key-Anchored LDA主题模型 | 第41-43页 |
| 4.2.3 参数学习和推导 | 第43-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第五章 实验结果评测和分析 | 第48-61页 |
| 5.1 数据准备 | 第48页 |
| 5.2 关键字提取结果评测 | 第48-50页 |
| 5.3 Key-Anchored LDA主题模型评测 | 第50-59页 |
| 5.3.1 实验参数设置 | 第50页 |
| 5.3.2 主题词分布的比较 | 第50-53页 |
| 5.3.3 PMI值 | 第53-56页 |
| 5.3.4 Perplexity值 | 第56-59页 |
| 5.4 主题中心句提取 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 论文总结 | 第61-62页 |
| 6.2 未来工作和展望 | 第62-63页 |
| 附录一 作者攻读硕士学位期间发表的学术论文 | 第63页 |
| 附录二 作者攻读硕士学位期间撰写的专利 | 第63页 |
| 附录三 作者攻读硕士学位期间参与的科研项目 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67页 |
