互联网中事件检测与跟踪系统设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-17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 话题检测 | 第12-14页 |
| 1.2.2 话题跟踪 | 第14-15页 |
| 1.3 研究内容与创新 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 2 基于社交媒体事件检测与跟踪相关技术 | 第17-22页 |
| 2.1 传统话题检测技术 | 第17-20页 |
| 2.1.1 文本预处理 | 第17-18页 |
| 2.1.2 文本特征提取 | 第18-19页 |
| 2.1.3 文本聚类 | 第19-20页 |
| 2.2 传统话题跟踪技术 | 第20-21页 |
| 2.3 微博信息挖掘技术 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 微博语料库构建与特征统计 | 第22-32页 |
| 3.1 微博语料库构建 | 第22-26页 |
| 3.2 语料库特征统计 | 第26-31页 |
| 3.2.1 事件信息统计 | 第26页 |
| 3.2.2 每事件微博数分布统计 | 第26-27页 |
| 3.2.3 事件所属类别占比统计 | 第27-28页 |
| 3.2.4 表情符号统计 | 第28-29页 |
| 3.2.5 语句数统计 | 第29-30页 |
| 3.2.6 热门事件产生的突发性 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 融合深度学习特征的事件检测方法 | 第32-50页 |
| 4.1. 算法提出动机 | 第32-50页 |
| 4.2 算法框架 | 第32-33页 |
| 4.3 文本预处理 | 第33-34页 |
| 4.4 LDA基本理论 | 第34-40页 |
| 4.4.1 模型介绍 | 第34-35页 |
| 4.4.2 LDA过程详解 | 第35-38页 |
| 4.4.3 Gibbs Sampling | 第38-40页 |
| 4.4.3 基于LDA文本特征提取 | 第40页 |
| 4.5 深度学习特征 | 第40-43页 |
| 4.5.1 Word2Vec介绍 | 第40-42页 |
| 4.5.2 Word2Vec文本特征提取 | 第42-43页 |
| 4.6 特征融合方法 | 第43-44页 |
| 4.6.1 特征融合原理与应用 | 第43页 |
| 4.6.2 融合特征 | 第43-44页 |
| 4.7 文本分类方法 | 第44页 |
| 4.8 实验设置与结果分析 | 第44-49页 |
| 4.8.1 实验设置 | 第44-45页 |
| 4.8.2 实验结果分析 | 第45-49页 |
| 4.9 本章小结 | 第49-50页 |
| 5 在线突发事件预判与情感倾向性研究 | 第50-63页 |
| 5.1 问题分析 | 第50-53页 |
| 5.1.1 事件演化趋势分析 | 第50-51页 |
| 5.1.2 情感演化趋势分析 | 第51-53页 |
| 5.2 在线突发事件预判 | 第53-54页 |
| 5.2.1 新事件探测 | 第53页 |
| 5.2.2 同一事件关联 | 第53-54页 |
| 5.2.3 热度计算与预测 | 第54页 |
| 5.3 基于评价对象期望的情感倾向性分析方法 | 第54-55页 |
| 5.4 实验结果及分析 | 第55-57页 |
| 5.5 事件检测与跟踪系统实现 | 第57-62页 |
| 5.5.1 系统设计思路 | 第57-58页 |
| 5.5.2 系统可视化展示 | 第58-62页 |
| 5.6 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录A | 第69-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
