| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 现有工作回顾 | 第13-17页 |
| 1.2.1 国内外热点事件微博舆情研究现状 | 第13-14页 |
| 1.2.2 国内外演化聚类算法研究现状 | 第14-15页 |
| 1.2.3 国内外观点挖掘研究现状 | 第15-16页 |
| 1.2.4 研究述评 | 第16-17页 |
| 1.3 研究内容、技术路线与创新点 | 第17-19页 |
| 1.3.1 研究内容 | 第17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 1.3.3 本文创新点 | 第18-19页 |
| 1.4 论文的组织架构 | 第19-20页 |
| 第二章 理论基础及相关技术 | 第20-28页 |
| 2.1 文本处理技术 | 第20-24页 |
| 2.1.1 文本预处理 | 第20页 |
| 2.1.2 特征选择方法 | 第20-23页 |
| 2.1.3 文本表示 | 第23-24页 |
| 2.2 聚类算法 | 第24-27页 |
| 2.2.1 k-means算法 | 第24-26页 |
| 2.2.2 k-medoids算法 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 热点事件动态观点树的框架构建 | 第28-35页 |
| 3.1 微博社会热点事件传播周期性分析 | 第28-29页 |
| 3.2 微博热点事件的动态观点树研究 | 第29-31页 |
| 3.2.1 动态观点树的基本概念 | 第29-30页 |
| 3.2.2 动态观点树基本结构与框架 | 第30-31页 |
| 3.3 微博热点事件动态观点树构建方法研究 | 第31-34页 |
| 3.3.1 微博数据获取 | 第31-32页 |
| 3.3.2 观点树构建 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 文本情感向量空间模型构建研究 | 第35-41页 |
| 4.1 文本情感向量空间 | 第35页 |
| 4.2 文本情感向量空间构建 | 第35-40页 |
| 4.2.1 文本特征词的提取及情感词典构建 | 第36页 |
| 4.2.2 文本特征词的情感极性判断 | 第36-38页 |
| 4.2.3 文本的整体极性判断 | 第38-39页 |
| 4.2.4 文本情感向量的生成 | 第39-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 基于演化k-medoids的演化聚类算法 | 第41-48页 |
| 5.1 基于演化k-means的演化聚类算法 | 第41-43页 |
| 5.1.1 符号定义 | 第41页 |
| 5.1.2 演化k-means聚类算法 | 第41-43页 |
| 5.2 基于演化k-medoids的演化聚类算法 | 第43-44页 |
| 5.3 实验分析 | 第44-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第六章 动态观点树的实例构建与演化特征分析 | 第48-59页 |
| 6.1 动态观点树实例构建 | 第48-57页 |
| 6.1.1 事件背景介绍 | 第48页 |
| 6.1.2 微博热点事件数据准备 | 第48-52页 |
| 6.1.3 文本情感向量空间构建 | 第52-53页 |
| 6.1.4 动态观点树实例实现 | 第53-57页 |
| 6.2 基于动态观点树的舆情观察与演化特征分析 | 第57-58页 |
| 6.2.1 热点事件生命周期与网民情绪演化特征分析 | 第57-58页 |
| 6.2.2 热点事件生命周期与网民观点演变特征分析 | 第58页 |
| 6.3 本章小结 | 第58-59页 |
| 总结与展望 | 第59-60页 |
| 研究结论 | 第59页 |
| 下一步研究思路 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |