| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 微博趋势话题检测研究现状 | 第12-16页 |
| 1.3 研究内容与方法 | 第16-17页 |
| 1.4 论文组织 | 第17-19页 |
| 第2章 趋势话题检测相关技术 | 第19-31页 |
| 2.1 微博趋势话题特点 | 第20-23页 |
| 2.1.1 生命周期 | 第20-22页 |
| 2.1.2 话题种类 | 第22-23页 |
| 2.2 趋势话题检测方法 | 第23-26页 |
| 2.2.1 基于传统文本挖掘的检测 | 第24-25页 |
| 2.2.2 基于主题模型的检测 | 第25页 |
| 2.2.3 基于字典学习的检测 | 第25-26页 |
| 2.3 索引技术 | 第26-30页 |
| 2.3.1 倒排索引 | 第27-28页 |
| 2.3.2 签名文件索引 | 第28页 |
| 2.3.3 后缀数组索引 | 第28-30页 |
| 2.4 小结 | 第30-31页 |
| 第3章 基于LDA的趋势话题检测方法 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 离线趋势话题检测模型 | 第31-34页 |
| 3.2.1 吉布斯采样 | 第32-33页 |
| 3.2.2 趋势话题检测 | 第33-34页 |
| 3.3 在线趋势话题检测模型 | 第34-37页 |
| 3.3.1 在线LDA基本流程 | 第34-36页 |
| 3.3.2 趋势话题检测 | 第36-37页 |
| 3.4 评估实验 | 第37-39页 |
| 3.4.1 实验数据 | 第37页 |
| 3.4.2 评估标准 | 第37页 |
| 3.4.3 离线检测模型评估 | 第37-38页 |
| 3.4.4 在线趋势模型评估 | 第38-39页 |
| 3.5 小结 | 第39-41页 |
| 第4章 基于Labeled-LDA的趋势话题离线检测方法 | 第41-50页 |
| 4.1 引言 | 第41页 |
| 4.2 趋势话题离线检测步骤 | 第41-46页 |
| 4.2.1 微博数据预处理 | 第41-43页 |
| 4.2.2 趋势关键词提取 | 第43-44页 |
| 4.2.3 相关文档获取 | 第44-45页 |
| 4.2.4 趋势话题发现 | 第45-46页 |
| 4.3 评估实验 | 第46-49页 |
| 4.3.1 实验数据 | 第46-47页 |
| 4.3.2 参数调优 | 第47页 |
| 4.3.3 对比实验 | 第47-49页 |
| 4.4 小结 | 第49-50页 |
| 第5章 基于Labeled-LDA的趋势话题在线检测方法 | 第50-60页 |
| 5.1 引言 | 第50页 |
| 5.2 趋势话题在线检测步骤 | 第50-55页 |
| 5.2.1 滑动时间窗口机制 | 第51页 |
| 5.2.2 主题个数评估改进 | 第51-53页 |
| 5.2.3 主题模型更新机制 | 第53-54页 |
| 5.2.4 趋势话题在线发现 | 第54-55页 |
| 5.3 评估实验 | 第55-59页 |
| 5.3.1 实验数据 | 第55页 |
| 5.3.2 参数调优 | 第55-56页 |
| 5.3.3 结果展示 | 第56-57页 |
| 5.3.4 对比实验 | 第57-59页 |
| 5.4 小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60-61页 |
| 6.2 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 附录 | 第69页 |