基于K-means的微博短文本聚类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 论文结构 | 第12-13页 |
| 2 国内外研究现状 | 第13-23页 |
| 2.1 微博相关研究综述 | 第13-15页 |
| 2.1.1 微博用户分析研究 | 第13-14页 |
| 2.1.2 微博内容的分析研究 | 第14-15页 |
| 2.1.3 微博应用的研究 | 第15页 |
| 2.2 微博信息抓取技术研究综述 | 第15-18页 |
| 2.2.1 微博公开平台的信息抓取技术 | 第15-17页 |
| 2.2.2 数据源镜像的信息抓取技术 | 第17页 |
| 2.2.3 网络数据流的信息抓取技术 | 第17-18页 |
| 2.2.4 网络爬虫的信息抓取技术 | 第18页 |
| 2.3 短文本相关的聚类算法研究综述 | 第18-22页 |
| 2.3.1 基于划分的方法(PM) | 第19-20页 |
| 2.3.2 基于层次的方法(HM) | 第20-21页 |
| 2.3.3 基于密度的方法(DM) | 第21-22页 |
| 2.3.4 基于网格的方法(GM) | 第22页 |
| 2.3.5 基于模型的方法(MM) | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于微博信息的关键词库爬虫策略 | 第23-36页 |
| 3.1 样本选取策略 | 第23-24页 |
| 3.2 抓取词库样本 | 第24-25页 |
| 3.3 样本数据预处理 | 第25-29页 |
| 3.3.1 中文分词 | 第26-27页 |
| 3.3.2 停用词(StopWords)的处理 | 第27-29页 |
| 3.4 特征词提取 | 第29-31页 |
| 3.5 构建关键词库 | 第31-32页 |
| 3.6 实验设计与结果 | 第32-35页 |
| 3.6.1 词库样本获取模块 | 第32-33页 |
| 3.6.2 样本数据预处理模块 | 第33页 |
| 3.6.3 特征提取模块 | 第33-34页 |
| 3.6.4 特征词合并模块 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 4 基于微博信息的主题网络爬虫策略 | 第36-45页 |
| 4.1 主题网络爬虫策略简介 | 第36-39页 |
| 4.2 基于微博信息的主题爬虫策略 | 第39-41页 |
| 4.2.1 基于微博信息的主题爬虫策略的设计 | 第39页 |
| 4.2.2 基于微博信息的主题爬虫策略的实现 | 第39-41页 |
| 4.3 实验度量 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 基于K-means的短文本信息聚类算法研究 | 第45-56页 |
| 5.1 文本的向量空间模型 | 第45-47页 |
| 5.1.1 特征项 | 第45页 |
| 5.1.2 特征项的权重计算方法 | 第45-47页 |
| 5.1.3 向量空间模型 | 第47页 |
| 5.2 文本相似度计算 | 第47-48页 |
| 5.3 实验度量 | 第48-49页 |
| 5.4 实验流程 | 第49-50页 |
| 5.5 K-means聚类算法 | 第50-53页 |
| 5.5.1 传统的K-means算法 | 第50-51页 |
| 5.5.2 增量聚类算法 | 第51页 |
| 5.5.3 改进的K-means算法 | 第51-53页 |
| 5.6 实验结果与分析 | 第53-55页 |
| 5.6.1 数据采集 | 第53-54页 |
| 5.6.2 聚类结果与讨论 | 第54-55页 |
| 5.7 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 硕士期间发表的学术论文及研究成果 | 第61-62页 |
| 发表的学术论文 | 第61页 |
| 参与的科研项目 | 第61-62页 |
| 致谢 | 第62页 |
