| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 研究目的与文本主要工作 | 第13-15页 |
| 1.3 本文的组织结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 国内外研究现状与相关技术 | 第17-30页 |
| 2.1 新闻热点挖掘技术 | 第17-24页 |
| 2.1.1 基于监督机器学习的新闻热点挖掘技术 | 第17-18页 |
| 2.1.2 基于非监督机器学习的新闻热点挖掘技术 | 第18-24页 |
| 2.2 新闻文本可视化技术 | 第24-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 新闻热点层次结构关联挖掘与可视化 | 第30-42页 |
| 3.1 基于层次概率主题建模的新闻热点层次结构关联挖掘 | 第30-34页 |
| 3.2 基于hcLDA的新闻热点层次关联结构挖掘 | 第34-37页 |
| 3.3 新闻热点层次结构关联的可视化 | 第37-41页 |
| 3.3.1 可视化形式分析 | 第38-40页 |
| 3.3.2 可视化新闻热点相关的新闻文本 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 新闻热点时序关联挖掘与可视化 | 第42-50页 |
| 4.1 基于DTM的新闻热点时序关联挖掘 | 第42-43页 |
| 4.2 基于hcLDA的新闻热点时序关联挖掘 | 第43-46页 |
| 4.3 基于hcLDA的层次化新闻热点时序关联的可视化 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 新闻热点语义关联挖掘与可视化 | 第50-67页 |
| 5.1 基于Topic Vec的新闻热点语义关联挖掘 | 第50-55页 |
| 5.1.1 基于Topic Vec的概率建模的文档生成过程 | 第51-52页 |
| 5.1.2 基于Topic Vec的概率建模的参数学习 | 第52-55页 |
| 5.2 新闻热点语义关联的可视化 | 第55-66页 |
| 5.2.1 可视化形式分析 | 第56-57页 |
| 5.2.2 向量的降维方法 | 第57-63页 |
| 5.2.3 可视化新闻热点相关热点词 | 第63-65页 |
| 5.2.4 可视化新闻热点相关文档 | 第65-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 新闻热点关联分析系统集成 | 第67-73页 |
| 6.1 新闻热点分析系统结构 | 第67-69页 |
| 6.2 新闻热点分析系统模块功能介绍 | 第69-72页 |
| 6.3 本章小结 | 第72-73页 |
| 第7章 总结与展望 | 第73-75页 |
| 7.1 总结 | 第73-74页 |
| 7.2 未来研究方向 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间主要的研究成果 | 第80-81页 |
| 致谢 | 第81页 |
