摘要 | 第4-5页 |
ABSTRACT | 第5页 |
第一章 绪论 | 第11-21页 |
1.1 选题背景及意义 | 第11-13页 |
1.1.1 选题背景 | 第11-12页 |
1.1.2 选题意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-18页 |
1.2.1 主题模型国内外研究现状 | 第13-16页 |
1.2.2 话题跟踪国内外研究现状 | 第16-18页 |
1.2.3 国内外研究现状总结 | 第18页 |
1.3 研究内容及技术路线 | 第18-19页 |
1.3.1 研究内容 | 第18-19页 |
1.3.2 技术路线 | 第19页 |
1.4 主要工作及创新点 | 第19-21页 |
第二章 相关基础理论研究 | 第21-29页 |
2.1 TDT简介 | 第21-22页 |
2.1.1 TDT研究中的基本概念 | 第21页 |
2.1.2 TDT的研究任务 | 第21-22页 |
2.2 话题跟踪技术 | 第22-25页 |
2.2.0 话题跟踪研究框架 | 第22-23页 |
2.2.1 建立话题/报道模型 | 第23-24页 |
2.2.2 相似度计算方法 | 第24页 |
2.2.3 阈值比较 | 第24-25页 |
2.3 主题模型 | 第25-27页 |
2.3.1 主题模型的发展 | 第25-26页 |
2.3.2 LDA主题模型 | 第26-27页 |
2.3.3 相似度计算方法 | 第27页 |
2.3.4 模型泛化能力评价方法 | 第27页 |
2.4 本章小结 | 第27-29页 |
第三章 MBO-LDA主题模型构建 | 第29-38页 |
3.1 MBO-LDA主题模型构建思路 | 第29-30页 |
3.2 微博特点分析 | 第30页 |
3.3 引入主题内容动态演化改进Online-LDA模型 | 第30-32页 |
3.3.1 主题内容动态演化的特征分析 | 第30-31页 |
3.3.2 主题内容动态演化的计算方法 | 第31-32页 |
3.4 引入主题热度动态演化改进Online-LDA模型 | 第32-33页 |
3.4.1 主题热度动态演化的特征分析 | 第32页 |
3.4.2 主题热度动态演化的计算方法 | 第32-33页 |
3.5 MBO-LDA的贝叶斯图模型 | 第33-35页 |
3.6 MBO-LDA生成过程与算法 | 第35-37页 |
3.6.1 MBO-LDA生成过程 | 第35-36页 |
3.6.2 MBO-LDA算法 | 第36-37页 |
3.7 本章小结 | 第37-38页 |
第四章 基于评论的在线多媒体微博主题挖掘算法设计 | 第38-48页 |
4.1 多媒体微博文本描述模型设计 | 第38-39页 |
4.2 基于评论的在线多媒体微博主题挖掘算法设计 | 第39-46页 |
4.2.1 带标签的多主题分类目录构建算法 | 第40-43页 |
4.2.2 基于热门评论的多媒体微博分类算法 | 第43-44页 |
4.2.3 评论空间的主题特征挖掘算法 | 第44-46页 |
4.3 基于评论的在线多媒体微博主题挖掘算法整体流程 | 第46-47页 |
4.3.1 算法符号总结 | 第46页 |
4.3.2 算法整体流程 | 第46-47页 |
4.4 本章小结 | 第47-48页 |
第五章 实验设计与结果分析 | 第48-68页 |
5.1 实验环境 | 第48页 |
5.2 实验数据 | 第48-52页 |
5.2.1 数据采集与存储 | 第48页 |
5.2.2 实验数据筛选 | 第48-50页 |
5.2.3 文本预处理 | 第50-52页 |
5.3 MBO-LDA模型实验 | 第52-57页 |
5.3.1 实验基本思路 | 第52页 |
5.3.2 加工输入的文档 | 第52-53页 |
5.3.3 各模型在相同时间窗口大小下的对比实验 | 第53-55页 |
5.3.4 MBO-LDA模型在不同时间窗口下的对比实验 | 第55-57页 |
5.4 基于评论的在线多媒体微博主题挖掘算法实验 | 第57-66页 |
5.4.1 实验基本思路 | 第57页 |
5.4.2 带标签的多主题分类目录构建 | 第57-60页 |
5.4.3 基于热门评论的多媒体微博分类 | 第60-64页 |
5.4.4 评论空间的主题特征挖掘 | 第64-66页 |
5.5 本章小结 | 第66-68页 |
第六章 总结与展望 | 第68-70页 |
6.1 总结 | 第68页 |
6.2 展望 | 第68-70页 |
参考文献 | 第70-74页 |
致谢 | 第74-75页 |
在学期间的研究成果及发表的学术论文 | 第75页 |