| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 2 微博与主题模型基础理论 | 第14-29页 |
| 2.1 微博结构特性与用户行为特性 | 第14-16页 |
| 2.2 主题模型 | 第16-26页 |
| 2.2.1 主题模型中的基础数学模型 | 第16-19页 |
| 2.2.2 LDA模型 | 第19-21页 |
| 2.2.3 AT模型 | 第21-24页 |
| 2.2.4 ART模型 | 第24-26页 |
| 2.3 参数估计算法 | 第26-28页 |
| 2.3.1 EM最大期望算法 | 第26-27页 |
| 2.3.2 Gibbs抽样算法 | 第27-28页 |
| 2.4 本章小节 | 第28-29页 |
| 3 基于AT_IR模型的微博用户兴趣挖掘 | 第29-38页 |
| 3.1 AT模型提取微博用户兴趣话题 | 第29-31页 |
| 3.2 AT_IR模型提取微博用户兴趣话题 | 第31-37页 |
| 3.2.1 AT_IR微博生成模型 | 第32-33页 |
| 3.2.2 AT_IR微博生成模型推导 | 第33-35页 |
| 3.2.3 AT_IR模型的生成过程和算法实现 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 4 AT_IR模型的微博用户兴趣话题挖掘实验结果与分析 | 第38-49页 |
| 4.1 实验准备 | 第38-40页 |
| 4.1.0 实验环境 | 第38页 |
| 4.1.1 语料获取 | 第38页 |
| 4.1.2 语料预处理 | 第38-39页 |
| 4.1.3 语料分词和去停用词 | 第39-40页 |
| 4.2 AT模型微博挖掘结果分析 | 第40-42页 |
| 4.3 AT_IR模型实验结果与分析 | 第42-48页 |
| 4.3.1 AT_IR模型实验结果 | 第42-44页 |
| 4.3.2 AT_IR模型与AT模型对比实验 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录 模型参数推导 | 第54-55页 |
| 作者简历 | 第55-57页 |
| 学位论文数据集 | 第57-58页 |