| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-11页 |
| 1.1 研究背景 | 第6-7页 |
| 1.2 研究目的和意义 | 第7页 |
| 1.2.1 研究目的 | 第7页 |
| 1.2.2 研究意义 | 第7页 |
| 1.3 研究内容、方法和技术路线 | 第7-10页 |
| 1.3.1 研究内容 | 第7-8页 |
| 1.3.2 研究方法 | 第8-9页 |
| 1.3.3 技术路线 | 第9-10页 |
| 1.4 本文的主要贡献 | 第10-11页 |
| 第二章 文献综述和相关理论 | 第11-19页 |
| 2.1 文献综述 | 第11-14页 |
| 2.1.1 网络社交关系发现 | 第11-12页 |
| 2.1.2 文本分类技术 | 第12-13页 |
| 2.1.3 情感分类技术 | 第13-14页 |
| 2.1.4 文献综述总结 | 第14页 |
| 2.2 相关理论 | 第14-18页 |
| 2.2.1 LDA主题模型 | 第14-16页 |
| 2.2.2 LSTM分类模型 | 第16页 |
| 2.2.3 六度分割理论 | 第16-17页 |
| 2.2.4 弱关系理论 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 新媒体平台潜在社交关系发现的理论框架 | 第19-24页 |
| 3.1 新媒体平台用户的特征 | 第19页 |
| 3.2 潜在社交关系发现的理论框架 | 第19-23页 |
| 3.2.1 兴趣图谱网络和社交图谱网络 | 第19-21页 |
| 3.2.2 从六度分割和弱关系到兴趣图谱 | 第21-22页 |
| 3.2.3 从主题分类和情感分类发现兴趣图谱 | 第22页 |
| 3.2.4 从主题分类和情感分类到潜在社交关系发现 | 第22-23页 |
| 3.3 本章小结 | 第23-24页 |
| 第四章 LDA模型的理论基础 | 第24-30页 |
| 4.1 LDA模型具体描述 | 第24-25页 |
| 4.1.1 生成模型 | 第24-25页 |
| 4.1.2 概率描述 | 第25页 |
| 4.2 LDA的数学基础 | 第25-29页 |
| 4.2.1 贝叶斯分析法 | 第25-26页 |
| 4.2.2 DirichletDistribution | 第26-27页 |
| 4.2.3 GibbsSampling | 第27-29页 |
| 4.3 LDA的参数含义 | 第29页 |
| 4.4 本章小结 | 第29-30页 |
| 第五章 算法对足球新闻主题分类的实现 | 第30-39页 |
| 5.1 数据预处理 | 第30-32页 |
| 5.1.1 正则表达式处理评论数据 | 第30页 |
| 5.1.2 中文分词 | 第30-31页 |
| 5.1.3 去停用词 | 第31页 |
| 5.1.4 高频词词云展示 | 第31-32页 |
| 5.1.5 构建词向量矩阵 | 第32页 |
| 5.2 模型拟合 | 第32-33页 |
| 5.3 参数优化 | 第33页 |
| 5.4 主题的概括词 | 第33-35页 |
| 5.5 主题的描述性统计 | 第35-36页 |
| 5.6 主题的分类 | 第36-37页 |
| 5.7 文档主题的标记 | 第37页 |
| 5.8 本章小结 | 第37-39页 |
| 第六章 用户评论的情感分类及潜在社交关系预测 | 第39-52页 |
| 6.1 LSTM网络原理 | 第39-43页 |
| 6.1.1 RecurrentNeuralNetworks | 第39-40页 |
| 6.1.2 LSTM网络 | 第40-43页 |
| 6.2 评论数据准备 | 第43-46页 |
| 6.3 神经网络分类用户情感 | 第46-48页 |
| 6.4 潜在社交关系的预测 | 第48页 |
| 6.5 社交关系算例的效果评价 | 第48-51页 |
| 6.6 本章小结 | 第51-52页 |
| 第七章 结论 | 第52-54页 |
| 7.1 结论 | 第52-53页 |
| 7.2 不足与展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60-90页 |
