| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 引言 | 第12页 |
| 1.2 研究背景与目标 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.4 主要研究工作 | 第14-16页 |
| 1.5 研究意义 | 第16-18页 |
| 第二章 传统文本挖掘算法及可视化分析模型介绍 | 第18-27页 |
| 2.1 文本预处理模型 | 第18-19页 |
| 2.1.1 隐马尔科夫模型 | 第18-19页 |
| 2.2 文本特征提取模型 | 第19-21页 |
| 2.2.1 tf-idf统计学思想概述 | 第19-20页 |
| 2.2.2 基于TextRank特征关键词提取方法研究 | 第20-21页 |
| 2.3 文本可视化模型 | 第21-22页 |
| 2.3.1 主题河流 | 第21-22页 |
| 2.3.2 标签云图 | 第22页 |
| 2.4 网络结构可视化 | 第22-24页 |
| 2.4.1 网络结构特征 | 第22-23页 |
| 2.4.2 网络可视化布局 | 第23-24页 |
| 2.5 本章小结 | 第24-27页 |
| 第三章 新闻热点的文本处理及可视化 | 第27-48页 |
| 3.1 新闻的特点 | 第27-28页 |
| 3.2 基于词语主题影响度的TextRank权重的新闻关键词模型 | 第28-33页 |
| 3.2.1 LDA(Latent Dirichlet Allocation)主题模型 | 第29-30页 |
| 3.2.2 基于主题影响度的TextRank的新闻关键词抽取模型 | 第30-31页 |
| 3.2.3 新闻集热点事件抽取方法 | 第31-33页 |
| 3.3 基于word2vec的新闻语义频繁项集挖掘算法 | 第33-38页 |
| 3.3.1 关联规则定义 | 第33-34页 |
| 3.3.2 Apriori算法 | 第34页 |
| 3.3.3 word2vec算法 | 第34-35页 |
| 3.3.4 基于word2vec算法的文本关联规则改进算法 | 第35-38页 |
| 3.4 基于关联规则的文本网络可视化 | 第38-43页 |
| 3.4.1 可视化元素设计方案 | 第40-42页 |
| 3.4.2 可视化布局设计方案 | 第42-43页 |
| 3.5 实验验证 | 第43-46页 |
| 3.5.1 单篇新闻关键词抽取算法验证 | 第43-45页 |
| 3.5.2 基于语义关联规则算法验证 | 第45-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 房地产网络舆情关联分析网络可视化分析 | 第48-68页 |
| 4.1 研究背景 | 第48页 |
| 4.2 数据说明及预处理 | 第48-51页 |
| 4.2.1 基于LDA文章主题分析 | 第49-50页 |
| 4.2.2 时间节点选择 | 第50-51页 |
| 4.3 新闻集热点提取算法验证 | 第51-55页 |
| 4.3.1 基于主题影响度的TextRank权重关键词提取算法验证 | 第51-53页 |
| 4.3.2 基于tf-idf算法思想的新闻集关键词二次筛选算法验证 | 第53-54页 |
| 4.3.3 各阶段房地产网络新闻集关键词抽取结果 | 第54-55页 |
| 4.4 新闻热点频繁项集挖掘算法验证 | 第55-57页 |
| 4.5 文本网络结构可视化效果验证 | 第57-60页 |
| 4.5.1 实验目的及实验设置 | 第57-58页 |
| 4.5.2 实验结果统计分析 | 第58-60页 |
| 4.6 文本网络结构可视化效果分析 | 第60-66页 |
| 4.6.1 基于关联规则的文本网络结果可视化效果分析 | 第60-63页 |
| 4.6.2 基于时序的关键词频率特征和关联特征 | 第63-66页 |
| 4.7 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
