基于LDA融合模型和多层聚类的新闻话题检测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状及问题分析 | 第9-12页 |
| 1.2.1 话题检测与跟踪技术研究现状 | 第9-11页 |
| 1.2.2 问题分析 | 第11-12页 |
| 1.3 研究目标及内容 | 第12-13页 |
| 1.3.1 研究目标 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第2章 相关工作 | 第14-24页 |
| 2.1 文本预处理 | 第14-16页 |
| 2.1.1 中文分词 | 第15页 |
| 2.1.2 过滤停用词 | 第15-16页 |
| 2.2 文本表示模型 | 第16-17页 |
| 2.3 文本特征提取 | 第17-19页 |
| 2.3.1 特征提取 | 第17-18页 |
| 2.3.2 相似度计算 | 第18-19页 |
| 2.4 文本聚类算法 | 第19-21页 |
| 2.4.1 层次聚类算法 | 第20-21页 |
| 2.4.2 划分聚类算法 | 第21页 |
| 2.4.3 增量聚类算法 | 第21页 |
| 2.5 本章小结 | 第21-24页 |
| 第3章 基于LDA融合模型的新闻文本聚类 | 第24-40页 |
| 3.1 主题模型 | 第24-26页 |
| 3.1.1 VSM模型 | 第24-25页 |
| 3.1.2 LSI模型 | 第25页 |
| 3.1.3 PLSI模型 | 第25-26页 |
| 3.2 基于LDA融合模型的新闻文本聚类 | 第26-32页 |
| 3.2.1 LDA主题模型 | 第27-29页 |
| 3.2.2 参数估计 | 第29-30页 |
| 3.2.3 基于LDA的文本相似度计算 | 第30-32页 |
| 3.3 数据获取与预处理 | 第32-33页 |
| 3.3.1 定制网络爬虫 | 第32页 |
| 3.3.2 中文分词 | 第32页 |
| 3.3.3 其他预处理 | 第32-33页 |
| 3.4 实验结果及分析 | 第33-40页 |
| 3.4.1 实验环境 | 第33页 |
| 3.4.2 数据来源 | 第33-34页 |
| 3.4.3 评价指标 | 第34-35页 |
| 3.4.4 实验结果与分析 | 第35-40页 |
| 第4章 基于ISP&AH聚类算法的话题检测 | 第40-50页 |
| 4.1 传统增量聚类算法设计 | 第40-41页 |
| 4.1.1 传统增量聚类算法 | 第40-41页 |
| 4.1.2 传统增量聚类算法不足 | 第41页 |
| 4.2 改进的增量聚类算法设计 | 第41-43页 |
| 4.3 基于ISP&AH聚类算法设计 | 第43-45页 |
| 4.3.1 层次聚类算法及其缺点 | 第43-44页 |
| 4.3.2 基于ISP&AH聚类算法实现 | 第44-45页 |
| 4.4 实验结果分析及总结 | 第45-50页 |
| 4.4.1 实验结果分析 | 第45-48页 |
| 4.4.2 实验结果小结 | 第48-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 不足之处 | 第50-51页 |
| 5.3 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和参加科研情况说明 | 第56-58页 |
| 致谢 | 第58-59页 |
