基于社交属性的web文本表示方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 相关概念和技术 | 第15-30页 |
| 2.1 文本表示模型 | 第15-20页 |
| 2.1.1 向量空间模型 | 第15-17页 |
| 2.1.2 概率检索模型 | 第17-19页 |
| 2.1.3 语言模型 | 第19-20页 |
| 2.2 主题模型LDA | 第20-25页 |
| 2.2.1 模型表示 | 第20-22页 |
| 2.2.2 变分贝叶斯推断 | 第22-23页 |
| 2.2.3 Collapsed Gibbs抽样 | 第23-25页 |
| 2.3 聚类算法 | 第25-29页 |
| 2.3.1 基于划分的聚类分析 | 第25-27页 |
| 2.3.2 基于层次的聚类分析 | 第27-28页 |
| 2.3.3 聚类评价方法 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 结合浅层社交特征的多层次文本表示方法 | 第30-43页 |
| 3.1 多层次文本表示方法 | 第30-32页 |
| 3.1.1 文本内容特征 | 第30-31页 |
| 3.1.2 文本主题特征 | 第31页 |
| 3.1.3 浅层社交特征 | 第31-32页 |
| 3.2 改进的聚类算法 | 第32-34页 |
| 3.2.1 相似性度量方法 | 第32页 |
| 3.2.2 多层次K-means算法(MLKM) | 第32-33页 |
| 3.2.3 多层次HAC算法(MLHAC) | 第33-34页 |
| 3.3 实验设计及分析 | 第34-41页 |
| 3.3.1 实验数据集 | 第34-36页 |
| 3.3.2 实验设置 | 第36页 |
| 3.3.3 实验结果及分析 | 第36-40页 |
| 3.3.4 实验结果讨论 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于深层社交特征的web文本表示方法 | 第43-50页 |
| 4.1 基于深层社交特征的web文本表示方法 | 第43-45页 |
| 4.2 数据集和实验设置 | 第45-46页 |
| 4.3 实验结果与分析 | 第46-48页 |
| 4.3.1 实验设置 | 第46页 |
| 4.3.2 实验结果分析 | 第46-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56-57页 |
| 图版 | 第57-58页 |
