| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 微博特征提取技术 | 第12-13页 |
| 1.2.2 微博聚类技术 | 第13页 |
| 1.2.3 微博情感分析技术 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 第二章 相关理论与技术 | 第17-29页 |
| 2.1 文本表示模型 | 第17-19页 |
| 2.1.1 布尔模型 | 第17页 |
| 2.1.2 向量空间模型 | 第17-19页 |
| 2.2 文本聚类算法 | 第19-23页 |
| 2.2.1 经典Single-Pass聚类算法 | 第19-20页 |
| 2.2.2 基于划分的聚类算法 | 第20-21页 |
| 2.2.3 基于层次的聚类算法 | 第21-22页 |
| 2.2.4 基于密度的聚类算法 | 第22-23页 |
| 2.3 语义分析技术 | 第23-25页 |
| 2.3.1 分词 | 第23-24页 |
| 2.3.2 语义角色标注 | 第24页 |
| 2.3.3 依存句法分析 | 第24-25页 |
| 2.4 同义词词林 | 第25-28页 |
| 2.4.1 同义词词林的分类编码 | 第25-26页 |
| 2.4.2 同义词词林的义项相似性度量 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于语义图结构模型的微博特征提取与表示 | 第29-44页 |
| 3.1 基于STANFORD PARSER依存句法分析 | 第29-32页 |
| 3.1.1 依存句法分析 | 第29-31页 |
| 3.1.2 Stanford Parser | 第31-32页 |
| 3.2 基于语义的图结构模型定义 | 第32-33页 |
| 3.3 基于语义的图结构模型构建 | 第33-40页 |
| 3.3.1 微博文本预处理 | 第33-35页 |
| 3.3.2 基于语义的图结构模型构建算法 | 第35-37页 |
| 3.3.3 基于语义的图结构模型优化与调整 | 第37-38页 |
| 3.3.4 基于语义的图结构模型构造示例 | 第38-40页 |
| 3.4 微博文本相似度计算 | 第40-43页 |
| 3.4.1 微博图结构模型点相似度计算 | 第40-41页 |
| 3.4.2 微博图结构模型边相似度计算 | 第41-42页 |
| 3.4.3 微博图结构模型整体相似度计算 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 微博热点话题发现与挖掘 | 第44-54页 |
| 4.1 微博话题发现 | 第44-47页 |
| 4.1.1 基于Single-Pass聚类的话题发现算法 | 第44-46页 |
| 4.1.2 对传统Single-Pass聚类算法的改进 | 第46-47页 |
| 4.2 微博热点话题识别 | 第47-49页 |
| 4.2.1 微博热点话题的定义 | 第47-48页 |
| 4.2.2 单条微博影响力的定义与度量 | 第48-49页 |
| 4.2.3 微博话题影响力的定义与度量 | 第49页 |
| 4.3 微博话题情感分析 | 第49-52页 |
| 4.3.1 基于语义的微博情感分析算法 | 第50-51页 |
| 4.3.2 基于依存句法的微博倾向性分析改进算法 | 第51-52页 |
| 4.3.3 微博话题情感值计算 | 第52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 实验结果与分析 | 第54-68页 |
| 5.1 实验数据来源 | 第54-55页 |
| 5.2 微博文本相似度计算实验 | 第55-61页 |
| 5.3 微博话题聚类实验 | 第61-66页 |
| 5.3.1 实验平台 | 第61页 |
| 5.3.2 实验结果及分析 | 第61-64页 |
| 5.3.3 聚类效果衡量与对比 | 第64-66页 |
| 5.4 微博情感分析实验 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的成果 | 第75-76页 |
