| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 微博突发事件检测 | 第10-12页 |
| 1.2.2 微博突发事件溯源 | 第12页 |
| 1.3 论文的主要工作 | 第12-13页 |
| 1.4 本文论文的结构 | 第13-14页 |
| 第二章 微博突发事件检测、溯源相关技术 | 第14-27页 |
| 2.1 微博突发事件检测模型以及微博突发事件溯源模型 | 第14-15页 |
| 2.2 微博突发事件检测技术研究 | 第15-17页 |
| 2.2.1 以文档为中心的突发事件检测技术 | 第15页 |
| 2.2.2 以特征为中心的突发事件检测技术 | 第15-17页 |
| 2.3 分词技术研究 | 第17-20页 |
| 2.3.1 字典分词方法 | 第17页 |
| 2.3.2 统计分词方法 | 第17-19页 |
| 2.3.3 基于人工智能技术的分词方法 | 第19-20页 |
| 2.4 用户影响力评估 | 第20-21页 |
| 2.5 微博突发事件溯源技术研究 | 第21-25页 |
| 2.5.1 消息传播模型和事件传播模型 | 第21-22页 |
| 2.5.2 用户交互关系建模 | 第22-23页 |
| 2.5.3 微博突发事件溯源技术 | 第23-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第三章 基于MACD的突发事件检测算法 | 第27-41页 |
| 3.1 微博突发事件检测算法框架 | 第27页 |
| 3.2 预处理 | 第27-29页 |
| 3.2.1 垃圾消息过滤 | 第27-28页 |
| 3.2.2 基于字典分词和信息熵计算的新词发现方法 | 第28-29页 |
| 3.3 基于MACD的突发特征检测算法 | 第29-33页 |
| 3.3.1 滑动时间窗口模型 | 第29-31页 |
| 3.3.2 用户影响力计算 | 第31-32页 |
| 3.3.3 基于MACD的突发词发现 | 第32页 |
| 3.3.4 基于突发特征的事件检测算法 | 第32-33页 |
| 3.4 基于突发词距离的突发事件聚类算法 | 第33页 |
| 3.5 实验设计与结果分析 | 第33-40页 |
| 3.6 本章总结 | 第40-41页 |
| 第四章 基于多维度分析的微博突发事件溯源方法 | 第41-52页 |
| 4.1 微博突发事件溯源框架 | 第41页 |
| 4.2 属性维度分析方法 | 第41-42页 |
| 4.3 结构维度分析方法 | 第42-43页 |
| 4.3.1 内容相似性计算 | 第42-43页 |
| 4.3.2 中心度计算 | 第43页 |
| 4.4 行为维度分析 | 第43-44页 |
| 4.4.1 直接转发行为分析 | 第44页 |
| 4.4.2 隐含转发行为分析 | 第44页 |
| 4.5 基于多维度分析的微博突发事件溯源方法 | 第44-45页 |
| 4.6 实验设计与结果分析 | 第45-51页 |
| 4.7 本章总结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第57-58页 |
| 致谢 | 第58页 |