基于随机森林的微博话题追踪的方法探究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-15页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 目前国内外研究现状 | 第12-14页 |
| 1.3 本文的组织结构 | 第14-15页 |
| 2 话题追踪的相关技术 | 第15-25页 |
| 2.1 话题追踪技术 | 第15-16页 |
| 2.1.1 基本概念 | 第15页 |
| 2.1.2 话题追踪基本流程 | 第15-16页 |
| 2.2 查找新词技术 | 第16-18页 |
| 2.3 话题模型表示方法 | 第18-19页 |
| 2.3.1 向量空间模型 | 第18页 |
| 2.3.2 关概率潜语义分析(PLSA) | 第18-19页 |
| 2.4 文本分类技术 | 第19-24页 |
| 2.4.1 K-最邻近分类器 | 第19-20页 |
| 2.4.2 朴素贝叶斯分类算法 | 第20-21页 |
| 2.4.3 随机森林分类算法 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 微博话题的特征选取及文本表示 | 第25-34页 |
| 3.1 特征的选择跟特征抽取 | 第25-29页 |
| 3.1.1 特征选择 | 第25-27页 |
| 3.1.2 特征抽取 | 第27-29页 |
| 3.2 微博文本表示 | 第29-30页 |
| 3.2.1 权重算法改进必要性 | 第29页 |
| 3.2.2 特征权重计算 | 第29-30页 |
| 3.3 实验及分析 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 微博话题追踪中的模型 | 第34-42页 |
| 4.1 微博话题追踪流程 | 第34-39页 |
| 4.1.1 微博数据的采集与过滤 | 第34-35页 |
| 4.1.2 微博文本分词 | 第35-37页 |
| 4.1.3 微博文本向量化的过程 | 第37-39页 |
| 4.1.4 分类模型训练 | 第39页 |
| 4.2 微博话题更新实时刷新 | 第39-41页 |
| 4.2.1 微博话题模型刷新 | 第39-40页 |
| 4.2.2 微博话题迁移发现 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 5 微博话题追踪模型的评价 | 第42-51页 |
| 5.1 模型评价的思想 | 第42页 |
| 5.2 随机森林话题追踪模型评价的算法 | 第42-43页 |
| 5.3 实验及分析 | 第43-50页 |
| 5.4 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 作者简介及读研期间主要科研成果 | 第57页 |
