| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-14页 |
| ·本文的研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究现状 | 第11-12页 |
| ·主要研究内容和创新点 | 第12-13页 |
| ·论文结构及安排 | 第13-14页 |
| 第2章 话题跟踪相关技术 | 第14-26页 |
| ·话题跟踪技术 | 第14-16页 |
| ·基本概念 | 第14页 |
| ·话题跟踪基本流程 | 第14-16页 |
| ·新词发现技术 | 第16-18页 |
| ·文本表示模型 | 第18-20页 |
| ·主题概率模型 | 第18-19页 |
| ·向量空间模型 | 第19-20页 |
| ·文本分类技术 | 第20-25页 |
| ·K 最邻近分类算法(K-Nearest Neighbor，KNN) | 第21页 |
| ·决策树分类算法(Decision Tree，DT) | 第21-22页 |
| ·朴素贝叶斯分类算法(Naive Bayesian，NB) | 第22-23页 |
| ·支持向量机(Support Vector Machine，SVM) | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 微博话题跟踪文本模型 | 第26-35页 |
| ·特征选择和特征抽取 | 第26-30页 |
| ·特征选择(Feature Selection) | 第26-29页 |
| ·特征抽取(Feature Extraction) | 第29-30页 |
| ·微博文本表示 | 第30-33页 |
| ·权重算法改进必要性 | 第30-31页 |
| ·特征权重计算 | 第31-33页 |
| ·实验及分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 微博话题跟踪算法 | 第35-54页 |
| ·SVM 模型话题跟踪算法 | 第35-36页 |
| ·微博话题跟踪流程 | 第36-44页 |
| ·微博数据采集与过滤 | 第37-38页 |
| ·微博文本分词 | 第38-42页 |
| ·微博文本表示 | 第42-44页 |
| ·分类模型训练 | 第44页 |
| ·微博话题模型更新演变 | 第44-48页 |
| ·微博话题模型更新 | 第45页 |
| ·微博话题迁移发现 | 第45-47页 |
| ·新话题的抽取和归纳 | 第47页 |
| ·微博话题更新演变子系统 | 第47-48页 |
| ·实验及分析 | 第48-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 微博话题跟踪系统设计及实现 | 第54-64页 |
| ·微博数据采集 | 第54页 |
| ·特征词表构建 | 第54-59页 |
| ·基于新词发现的中文分词 | 第54-57页 |
| ·特征选择 | 第57-58页 |
| ·特征权重计算 | 第58-59页 |
| ·SVM 分类模型构建 | 第59页 |
| ·微博话题跟踪实验 | 第59-62页 |
| ·微博话题演变实验 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间发表论文与研究成果清单 | 第70-71页 |
| 致谢 | 第71页 |
