| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 引言 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 微博短文本扩展研究现状 | 第12-14页 |
| 1.2.2 微博文本表示及文本相似度计算研究现状 | 第14-15页 |
| 1.2.3 话题分析技术研究现状 | 第15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第2章 微博数据资源库建设 | 第18-29页 |
| 2.1 微博数据资源的获取方法 | 第18-24页 |
| 2.1.1 通用网络爬虫及主题网络爬虫分析 | 第18-20页 |
| 2.1.2 新浪开放平台API | 第20-21页 |
| 2.1.3 微博话题数据采集方法 | 第21-24页 |
| 2.2 微博数据资源库的结构设计 | 第24-26页 |
| 2.3 微博数据资源库建设与数据预处理 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 微博短文本扩展策略 | 第29-38页 |
| 3.1 微博短文本扩展研究概述 | 第29页 |
| 3.2 Word2Vec模型 | 第29-32页 |
| 3.2.1 Word2Vec概述 | 第29-30页 |
| 3.2.2 Word2Vec模型训练流程 | 第30-31页 |
| 3.2.3 微博Word2Vec模型分析 | 第31-32页 |
| 3.3 微博短文本关键特征扩展 | 第32-34页 |
| 3.3.1 微博短文本关键特征选择 | 第32-33页 |
| 3.3.2 扩展特征集选择 | 第33-34页 |
| 3.4 实验及结果分析 | 第34-37页 |
| 3.4.1 聚类方法和评价指标 | 第34-36页 |
| 3.4.2 结果分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 微博文本深度表示模型及相似度计算 | 第38-46页 |
| 4.1 微博文本表示及相似度研究概述 | 第38页 |
| 4.2 文本深度表示模型及相似度计算方法 | 第38-41页 |
| 4.2.1 基于TF-IDF的文本相似度计算方法 | 第38-39页 |
| 4.2.2 基于词向量累加和的相似度计算方法 | 第39-40页 |
| 4.2.3 基于改进的文本深度表示模型及相似度计算 | 第40-41页 |
| 4.3 实验及结果分析 | 第41-45页 |
| 4.3.1 实验数据 | 第41-42页 |
| 4.3.2 实验分析 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 微博话题分析 | 第46-55页 |
| 5.1 微博话题分析概述 | 第46-47页 |
| 5.2 微博话题检测方法 | 第47-49页 |
| 5.2.1 微博话题检测常用方法 | 第47-48页 |
| 5.2.2 基于组合聚类的微博话题检测方法 | 第48-49页 |
| 5.3 基于时间-频次的微博话题判断模型 | 第49-51页 |
| 5.4 粒度可变的微博话题追踪模型 | 第51-52页 |
| 5.5 实验评价标准及结果 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第6章 系统设计与实现 | 第55-64页 |
| 6.1 系统框架设计 | 第55-57页 |
| 6.2 系统主要功能模块介绍 | 第57-63页 |
| 6.2.1 数据准备及微博文本分词 | 第57-59页 |
| 6.2.2 微博词语及文本相似度计算 | 第59-62页 |
| 6.2.3 微博话题检测与追踪 | 第62-63页 |
| 6.3 本章小结 | 第63-64页 |
| 第7章 总结与展望 | 第64-67页 |
| 7.1 本文工作总结 | 第64-65页 |
| 7.2 下一步工作展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 个人简历及在校期间的科研成果 | 第71页 |