| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 相关研究工作 | 第12-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 2 相关技术介绍 | 第15-20页 |
| 2.1 支持向量机 | 第15-17页 |
| 2.1.1 概述 | 第15页 |
| 2.1.2 统计学理论 | 第15-16页 |
| 2.1.3 支持向量机的分类 | 第16-17页 |
| 2.1.4 支持向量机的特点 | 第17页 |
| 2.2 LDA话题模型 | 第17-19页 |
| 2.2.1 概述 | 第17-18页 |
| 2.2.2 话题模型的生成过程 | 第18-19页 |
| 2.3 评价标准 | 第19-20页 |
| 3 基于支持向量机的微博用户年龄推断 | 第20-31页 |
| 3.1 引言 | 第20页 |
| 3.2 特征选择和特征抽取 | 第20-25页 |
| 3.2.1 特征选择 | 第21-23页 |
| 3.2.2 特征抽取 | 第23-25页 |
| 3.3 微博文本表示 | 第25-27页 |
| 3.3.1 权重算法改进 | 第25-26页 |
| 3.3.2 特征权重计算 | 第26-27页 |
| 3.4 年龄推断 | 第27-28页 |
| 3.5 实验数据及结果分析 | 第28-30页 |
| 3.5.1 实验数据 | 第28-29页 |
| 3.5.2 实验结果与分析 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 4 基于话题模型的微博用户性别分类 | 第31-39页 |
| 4.1 引言 | 第31页 |
| 4.2 微博用户的兴趣偏好建模 | 第31-32页 |
| 4.2.1 训练话题模型 | 第31-32页 |
| 4.2.2 训练内容话题模型 | 第32页 |
| 4.2.3 训练关注话题模型 | 第32页 |
| 4.3 微博用户的兴趣偏好表示 | 第32-33页 |
| 4.4 性别分类 | 第33-34页 |
| 4.5 实验设置和结果分析 | 第34-35页 |
| 4.5.1 实验数据的采集及评价 | 第34-35页 |
| 4.5.2 传统方式与LDA模型的性别分类系统对比 | 第35页 |
| 4.5.3 分类器与参数的设定 | 第35页 |
| 4.6 实验结果与分析 | 第35-38页 |
| 4.6.1 实验结果 | 第35-36页 |
| 4.6.2 不同活跃程度用户的表现情况 | 第36-38页 |
| 4.7 本章小结 | 第38-39页 |
| 5 总结与展望 | 第39-41页 |
| 6 参考文献 | 第41-44页 |
| 致谢 | 第44页 |