基于LDA的微博短文本分类技术的研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·微博文本分类的意义 | 第10页 |
| ·微博文本分类的作用 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·短文本分类研究现状 | 第11-12页 |
| ·研究难度及解决方法 | 第12-13页 |
| ·本文的主要工作 | 第13-14页 |
| ·本文的组织结构 | 第14-16页 |
| 第2章 相关理论及技术 | 第16-28页 |
| ·文本预处理 | 第16-19页 |
| ·分词技术 | 第16-17页 |
| ·针对微博去除噪音 | 第17-18页 |
| ·正则表达式 | 第18-19页 |
| ·网络爬虫 | 第19-22页 |
| ·网络爬虫概念及简介 | 第20页 |
| ·工作原理 | 第20-22页 |
| ·文本分类 | 第22-25页 |
| ·文本分类概述 | 第22-23页 |
| ·文档的相似性计算 | 第23-24页 |
| ·对分类效果的评价 | 第24-25页 |
| ·文档模型表示 | 第25-26页 |
| ·向量空间模型(VSM) | 第25页 |
| ·LSA | 第25页 |
| ·PLSA | 第25页 |
| ·LDA | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第3章 基于LDA的微博语义空间分析 | 第28-38页 |
| ·LDA模型的详细描述 | 第28-29页 |
| ·应用LDA的语义分析 | 第29-32页 |
| ·Gibbs Sampling | 第29-30页 |
| ·Dirichlet分布 | 第30-32页 |
| ·LDA模型的参数意义 | 第32页 |
| ·基于LDA语义的微博文档特征 | 第32-37页 |
| ·微博语义的表示形式 | 第32-34页 |
| ·基于主题特征的微博文档表示形式 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于LDA的微博短文本分类 | 第38-52页 |
| ·基于LDA的微博短文本分类框架 | 第38-39页 |
| ·面向短文本的支持向量机的分类算法 | 第39-46页 |
| ·支持向量机简介 | 第40-41页 |
| ·面向短文本分类的支持向量机算法流程 | 第41-44页 |
| ·短文本中多类问题的解决方案 | 第44-46页 |
| ·微博数据下载 | 第46-48页 |
| ·对文档-语义矩阵的分析及处理 | 第48-49页 |
| ·基于LDA的微博短文本分类算法描述及实现 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 第5章 基于内容的微博用户分析 | 第52-60页 |
| ·微博用户数据特点 | 第52-54页 |
| ·微博用户数据获取 | 第54-56页 |
| ·基于PMI及语义——单词矩阵的分析及处理 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第6章 实验结果及分析 | 第60-68页 |
| ·实验语料与实验环境 | 第60-61页 |
| ·实验语料 | 第60页 |
| ·实验环境 | 第60-61页 |
| ·实验设计与分析 | 第61-67页 |
| ·特征放大算法对文档-语义矩阵的影响 | 第61-62页 |
| ·支持向量机参数空间搜索 | 第62-63页 |
| ·主题数对于分类精度的影响 | 第63页 |
| ·不同类别各自的分类结果 | 第63-65页 |
| ·基于内容的用户微博分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第7章 结论及未来工作 | 第68-70页 |
| ·总结 | 第68页 |
| ·进一步工作 | 第68-70页 |
| 参考文献 | 第70-72页 |
| 致谢 | 第72-74页 |
| 攻硕期间参与项目及发表的论文 | 第74页 |
