基于短文本聚类的网络舆情数据分析
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 相关理论概述 | 第14-27页 |
| 2.1 文本预处理 | 第14-17页 |
| 2.1.1 短文本分词技术 | 第14-15页 |
| 2.1.2 停用词处理 | 第15-16页 |
| 2.1.3 数据清洗 | 第16-17页 |
| 2.2 BTM主题模型 | 第17-19页 |
| 2.2.1 BTM主题描述 | 第17-18页 |
| 2.2.2 BTM参数推理 | 第18-19页 |
| 2.3 TF-IDF权重算法 | 第19页 |
| 2.4 经典文本聚类算法 | 第19-25页 |
| 2.4.1 基于划分的聚类 | 第20-22页 |
| 2.4.2 基于密度的聚类 | 第22-23页 |
| 2.4.3 基于模型的聚类 | 第23-24页 |
| 2.4.4 其他聚类算法 | 第24-25页 |
| 2.5 聚类评价指标 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于BK-means的短文本聚类算法 | 第27-34页 |
| 3.1 短文本特点 | 第27-28页 |
| 3.2 相关工作 | 第28页 |
| 3.3 BK-means聚类算法 | 第28-30页 |
| 3.3.1 基本思想 | 第28-29页 |
| 3.3.2 算法流程 | 第29-30页 |
| 3.4 实验结果与分析 | 第30-32页 |
| 3.4.1 实验数据集描述 | 第30页 |
| 3.4.2 实验环境 | 第30-31页 |
| 3.4.3 聚类结果评价指标 | 第31页 |
| 3.4.4 实验结果 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 基于BTM的网络舆情主题词挖掘 | 第34-47页 |
| 4.1 相关工作 | 第34-35页 |
| 4.2 整体框架 | 第35-36页 |
| 4.3 基于BTM的舆情主题词挖掘 | 第36-39页 |
| 4.3.1 BTM主题建模 | 第36-38页 |
| 4.3.2 改进的TF-IDF算法 | 第38-39页 |
| 4.3.3 短文本表示形式 | 第39页 |
| 4.3.4 文本相似性度量 | 第39页 |
| 4.4 实验结果及分析 | 第39-45页 |
| 4.4.1 实验数据集描述 | 第40页 |
| 4.4.2 评价指标 | 第40页 |
| 4.4.3 项目架构 | 第40-41页 |
| 4.4.4 实验结果 | 第41-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 本文总结 | 第47页 |
| 5.2 未来展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 发表论文和科研情况说明 | 第52-53页 |
| 致谢 | 第53页 |
