| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 微博文本舆情主题提取研究现状 | 第9-11页 |
| 1.2.2 主题演化研究现状 | 第11-13页 |
| 1.2.3 微博舆情演化的研究现状 | 第13-14页 |
| 1.2.4 国内外研究现状评述 | 第14-15页 |
| 1.3 研究内容、研究方法及结构安排 | 第15-16页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 研究方法 | 第15-16页 |
| 1.3.3 结构安排 | 第16页 |
| 1.4 本文创新点 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 理论基础与关键技术 | 第18-28页 |
| 2.1 文本聚类技术 | 第18-22页 |
| 2.1.1 文本聚类概述 | 第18-19页 |
| 2.1.2 文本聚类算法 | 第19-21页 |
| 2.1.3 K-means文本聚类算法 | 第21-22页 |
| 2.2 维基百科概述及基于维基百科的词语相关度计算 | 第22-25页 |
| 2.2.1 维基百科概述 | 第22-23页 |
| 2.2.2 基于维基百科的词语相关度计算 | 第23-25页 |
| 2.3 微博舆情主题演化 | 第25-27页 |
| 2.3.1 微博舆情的构成要素 | 第25-26页 |
| 2.3.2 微博舆情主题演化模式 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于维基语义聚类微博舆情主题提取和表示 | 第28-40页 |
| 3.1 基于维基百科的文本相似度计算 | 第28-30页 |
| 3.1.1 综合链接结构和主题页面的词语相关度计算 | 第28-29页 |
| 3.1.2 基于维基百科的文本语义相似度计算 | 第29-30页 |
| 3.2 基于维基语义聚类的微博舆情主题提取与表示 | 第30-35页 |
| 3.2.1 数据准备 | 第31页 |
| 3.2.2 微博文本预处理 | 第31-32页 |
| 3.2.3 基于维基百科的K-means文本聚类 | 第32-33页 |
| 3.2.4 微博舆情主题的提取与表示 | 第33-35页 |
| 3.3 实验结果及评价 | 第35-39页 |
| 3.3.1 实验环境 | 第35页 |
| 3.3.2 实验数据 | 第35页 |
| 3.3.3 实验设置及评价指标 | 第35-36页 |
| 3.3.4 实验过程 | 第36页 |
| 3.3.5 实验结果及评价 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于维基语义聚类的微博舆情主题演化模型 | 第40-46页 |
| 4.1 微博舆情主题演化模型构建 | 第40-42页 |
| 4.1.1 微博舆情主题提取与表示 | 第40页 |
| 4.1.2 主题演化的度量指标 | 第40-42页 |
| 4.2 微博舆情主题演化实验 | 第42页 |
| 4.3 实验结果及分析 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 结论与展望 | 第46-48页 |
| 5.1 研究结果总结 | 第46页 |
| 5.2 研究局限及展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |