| 摘要 | 第2-3页 |
| abstract | 第3-4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文的研究内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第二章 相关理论及技术 | 第12-22页 |
| 2.1 文本预处理 | 第12-16页 |
| 2.1.1 文本去噪处理 | 第12-13页 |
| 2.1.2 文本表示模型 | 第13-14页 |
| 2.1.3 特征选取 | 第14-15页 |
| 2.1.4 特征权重计算 | 第15-16页 |
| 2.2 文本聚类技术 | 第16-19页 |
| 2.2.1 划分聚类算法 | 第17页 |
| 2.2.2 基于层次的聚类方法 | 第17-18页 |
| 2.2.3 基于密度的聚类算法 | 第18页 |
| 2.2.4 基于网格的聚类算法 | 第18-19页 |
| 2.3 文本分类技术 | 第19-21页 |
| 2.3.1 K最近邻算法 | 第19页 |
| 2.3.2 朴素贝叶斯方法 | 第19-20页 |
| 2.3.3 支持向量机 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于Single-Pass和LDA模型的敏感话题检测研究 | 第22-36页 |
| 3.1 话题检测技术介绍 | 第22页 |
| 3.2 Single-Pass算法 | 第22-23页 |
| 3.3 ISingle-Pass算法 | 第23-25页 |
| 3.4 LDA主题模型 | 第25-28页 |
| 3.5 基于LDA模型的话题检测算法 | 第28-30页 |
| 3.5.1 话题关键词的抽取 | 第29页 |
| 3.5.2 敏感话题的检测 | 第29-30页 |
| 3.6 实验及结果分析 | 第30-35页 |
| 3.6.1 实验环境 | 第30页 |
| 3.6.2 实验数据采集与预处理 | 第30-32页 |
| 3.6.3 实验评价指标 | 第32-33页 |
| 3.6.4 实验及结果分析 | 第33-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第四章 基于KNN改进的话题跟踪算法研究 | 第36-48页 |
| 4.1 话题跟踪的处理流程 | 第36页 |
| 4.2 KNN算法 | 第36-37页 |
| 4.3 基于卷积神经网络和KNN的文本分类 | 第37-43页 |
| 4.3.1 卷积神经网络结构 | 第37-39页 |
| 4.3.2 文本表示模型 | 第39页 |
| 4.3.3 CKNN分类模型 | 第39-40页 |
| 4.3.4 实验结果 | 第40-43页 |
| 4.4 基于搜索改进的KNN文本分类算法 | 第43-47页 |
| 4.4.1 样本集预处理 | 第43页 |
| 4.4.2 组相似度函数 | 第43-44页 |
| 4.4.3 SIKNN算法 | 第44-45页 |
| 4.4.4 实验结果及分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 硕士研究生期间发表论文情况 | 第53-54页 |
| 致谢 | 第54-55页 |