| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 热点新闻点击量趋势预测 | 第12-13页 |
| 1.2.2 新闻话题演化脉络挖掘 | 第13-15页 |
| 1.3 本文的主要研究思路和创新点 | 第15-18页 |
| 1.3.1 基于算法融合策略的新闻点击量预测算法 | 第15-16页 |
| 1.3.2 基于多源语义特征和多标签分类模型的新闻话题演化挖掘算法 | 第16-18页 |
| 1.4 本文的组织架构 | 第18-19页 |
| 第二章 极限学习机和灰色模型融合的新闻点击量预测 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 热点新闻点击量预测整体方案 | 第19-24页 |
| 2.2.1 Grey verhulst模型 | 第21-22页 |
| 2.2.2 极限学习机 | 第22-24页 |
| 2.3 基于GV-ELM模型的点击量预测算法 | 第24-26页 |
| 2.4 实验结果与分析 | 第26-31页 |
| 2.4.1 实验数据及评价指标 | 第26-28页 |
| 2.4.2 实验结果与分析 | 第28-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 面向话题演化的新闻配图和文本特征表示 | 第33-47页 |
| 3.1 引言 | 第33-34页 |
| 3.2 图像特征提取 | 第34-38页 |
| 3.2.1 浅语义图像特征提取 | 第34-35页 |
| 3.2.2 深语义图像特征提取——卷积神经网络 | 第35-38页 |
| 3.3 新闻特征表示的整体方案 | 第38-42页 |
| 3.4 配图语义特征抽取算法 | 第42-44页 |
| 3.4.1 配图抽象特征 | 第42-43页 |
| 3.4.2 配图语义特征 | 第43-44页 |
| 3.4.3 网络的实现 | 第44页 |
| 3.5 实验结果与分析 | 第44-46页 |
| 3.5.1 实验数据及评价指标 | 第45页 |
| 3.5.2 实验结果与分析 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于多标签分类的话题演化算法研究 | 第47-56页 |
| 4.1 引言 | 第47-48页 |
| 4.2 新闻话题演化脉络挖掘整体方案 | 第48-51页 |
| 4.3 多标签分类算法 | 第51-53页 |
| 4.4 实验结果与分析 | 第53-55页 |
| 4.4.1 实验数据及事件链性能评估指标 | 第54页 |
| 4.4.2 实验结果与分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间取得的科研成果 | 第66页 |