| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外文献综述 | 第10-13页 |
| 1.2.1 国外文献综述 | 第10-11页 |
| 1.2.2 国内文献综述 | 第11-12页 |
| 1.2.3 文献评述 | 第12-13页 |
| 1.3 本文的创新之处 | 第13-14页 |
| 1.3.1 研究内容上的创新 | 第13页 |
| 1.3.2 研究方法上的创新 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 第2章 文本表示模型及相似度算法 | 第15-25页 |
| 2.1 文本预处理 | 第15-17页 |
| 2.2 文本表示模型 | 第17-22页 |
| 2.2.1 基于LDA的文本表示模型 | 第17-19页 |
| 2.2.2 基于Word2vec的文本表示模型 | 第19-22页 |
| 2.3 基于LDA与Word2vec联合建模的文本相似度算法 | 第22-24页 |
| 2.4 本章小节 | 第24-25页 |
| 第3章 新闻热点话题的检测 | 第25-43页 |
| 3.1 基于Word2vec与卷积神经网络的文本分类模型 | 第25-32页 |
| 3.1.1 卷积神经网络的引出 | 第25-27页 |
| 3.1.2 Word2vec与卷积神经网络的文本分类模型的构建 | 第27-32页 |
| 3.2 基于双层Single-Pass聚类的话题发现 | 第32-39页 |
| 3.2.1 双层Single-Pass聚类的话题发现算法的构建 | 第32-38页 |
| 3.2.2 基于TF-IDF的类簇的话题识别 | 第38-39页 |
| 3.3 话题检测结果分析 | 第39-41页 |
| 3.4 本章小节 | 第41-43页 |
| 第4章 热点话题热度度量及趋势研究 | 第43-49页 |
| 4.1 话题的热度度量 | 第43页 |
| 4.2 话题的趋势分析 | 第43页 |
| 4.3 话题热点排序以及趋势结果分析 | 第43-48页 |
| 4.3.1 话题热点排序 | 第43-44页 |
| 4.3.2 话题趋势分析 | 第44-48页 |
| 4.4 本章小节 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录 | 第54-57页 |
| 附录A 网络爬虫部分程序 | 第54-57页 |
| 致谢 | 第57-58页 |
