| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 2 相关技术和理论介绍 | 第18-27页 |
| 2.1 文本表示模型 | 第18-20页 |
| 2.1.1 向量空间模型 | 第18-19页 |
| 2.1.2 基于图的文本表示模型 | 第19页 |
| 2.1.3 其他主流的文本表示模型 | 第19-20页 |
| 2.2 PageRank算法 | 第20-21页 |
| 2.3 Word2vec的理论发展 | 第21-24页 |
| 2.3.1 N-gram语言模型 | 第21页 |
| 2.3.2 神经网络语言模型 | 第21-23页 |
| 2.3.3 Word2vec基础知识介绍 | 第23-24页 |
| 2.4 关键词抽取的特征选择 | 第24-26页 |
| 2.4.1 基于词语权重的特征 | 第24-25页 |
| 2.4.2 基于词语位置的特征 | 第25-26页 |
| 2.4.3 他的关键词特征 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 中文社交媒体话题关键词抽取算法设计 | 第27-43页 |
| 3.1 微博特征 | 第27-28页 |
| 3.2 文本预处理 | 第28-30页 |
| 3.2.1 数据清洗 | 第28页 |
| 3.2.2 分词及去除停用词 | 第28-30页 |
| 3.3 基于图模型的话题关键词抽取方法 | 第30-36页 |
| 3.3.1 微博文本型图模型建立 | 第31-32页 |
| 3.3.2 基于TextRank算法的顶点权值计算 | 第32-33页 |
| 3.3.3 基于Word2vec的话题关键词生成方法 | 第33-36页 |
| 3.4 基于低秩矩阵分解的话题关键词抽取方法 | 第36-41页 |
| 3.4.1 低秩矩阵恢复相关理论 | 第36-38页 |
| 3.4.2 话题关键词矩阵构建 | 第38-39页 |
| 3.4.3 问题描述 | 第39-40页 |
| 3.4.4 基于RPCA算法的话题关键词低秩矩阵分解 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 实验设计分析与应用系统实现 | 第43-58页 |
| 4.1 语料库及测试数据集的构建 | 第43-47页 |
| 4.1.1 基于Python的微博采集系统 | 第43-45页 |
| 4.1.2 语料库详情与测试数据集的建立 | 第45-47页 |
| 4.2 实验设置与分析 | 第47-52页 |
| 4.2.1 图的类型及参数确定 | 第47-48页 |
| 4.2.2 Word2vec训练参数确定 | 第48-50页 |
| 4.2.3 对比试验 | 第50-52页 |
| 4.3 系统构建 | 第52-57页 |
| 4.3.1 系统框架 | 第53-55页 |
| 4.3.2 微博关键词可视化示例 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-61页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
