面向新闻的话题发现和热度评估方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究意义与研究现状 | 第9-11页 |
| 1.1.1 选题背景及研究意义 | 第9页 |
| 1.1.2 国内外研究现状 | 第9-11页 |
| 1.2 本文工作 | 第11-13页 |
| 1.2.1 研究内容 | 第11-12页 |
| 1.2.2 本文组织结构 | 第12-13页 |
| 第二章 话题检测的相关技术 | 第13-21页 |
| 2.1 话题检测技术的概述 | 第13-14页 |
| 2.1.1 基本概念 | 第13-14页 |
| 2.1.2 话题发现基本流程 | 第14页 |
| 2.2 文本表示模型 | 第14-17页 |
| 2.2.1 布尔模型 | 第15页 |
| 2.2.2 向量空间模型 | 第15-16页 |
| 2.2.3 概率模型 | 第16页 |
| 2.2.4 语言模型 | 第16-17页 |
| 2.3 相似度计算的方法 | 第17-18页 |
| 2.3.1 文档相似度计算 | 第17-18页 |
| 2.3.2 类簇相似度计算 | 第18页 |
| 2.4 聚类算法介绍 | 第18-20页 |
| 2.4.1 增量聚类算法 | 第18-19页 |
| 2.4.2 基于划分的聚类算法 | 第19页 |
| 2.4.3 基于层次的聚类算法 | 第19-20页 |
| 2.4.4 基于密度的聚类算法 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 面向新闻话题发现的方法 | 第21-32页 |
| 3.1 新闻语料的特性分析 | 第21页 |
| 3.2 新闻数据的话题发现模型 | 第21-25页 |
| 3.2.1 基于新闻数据流的预处理 | 第21-23页 |
| 3.2.2 新闻报道及话题的表示模型 | 第23页 |
| 3.2.3 基于新闻数据的词项权重计算 | 第23-24页 |
| 3.2.4 基于新闻数据的文本相似度计算 | 第24-25页 |
| 3.3 基于改进的Single-Pass聚类算法 | 第25-26页 |
| 3.3.1 算法基本思想 | 第25页 |
| 3.3.2 算法流程描述 | 第25-26页 |
| 3.4 实验结果及分析 | 第26-31页 |
| 3.4.1 实验环境及语料 | 第26-27页 |
| 3.4.2 评价指标 | 第27页 |
| 3.4.3 实验结果和分析 | 第27-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 话题的热度评估方法研究 | 第32-37页 |
| 4.1 话题热度影响指标 | 第32页 |
| 4.2 话题热度评估方法 | 第32-33页 |
| 4.3 话题热度趋势分析 | 第33页 |
| 4.4 实验结果与分析 | 第33-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 总结与展望 | 第37-38页 |
| 5.1 总结 | 第37页 |
| 5.2 展望 | 第37-38页 |
| 参考文献 | 第38-42页 |
| 致谢 | 第42-43页 |
| 在学期间公开发表论文及参加项目情况 | 第43页 |
