| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10页 |
| 1.3 文章的研究内容和组织结构 | 第10-13页 |
| 第二章 相关文本处理知识 | 第13-24页 |
| 2.1 微博信息采集技术 | 第13-15页 |
| 2.1.1 微博信息获取 | 第13-14页 |
| 2.1.2 微博信息提取 | 第14-15页 |
| 2.2 文本预处理 | 第15-17页 |
| 2.2.1 中文分词和词性标注技术 | 第15-17页 |
| 2.2.2 微博噪声处理 | 第17页 |
| 2.3 文本模型表示 | 第17-21页 |
| 2.3.1 向量空间模型(vsm) | 第17-19页 |
| 2.3.2 隐性语义分析(lsa) | 第19-20页 |
| 2.3.3 概率潜语义分析(plsa) | 第20-21页 |
| 2.4 文本聚类算法 | 第21-23页 |
| 2.4.1 分割式聚类算法 | 第21-22页 |
| 2.4.2 结构式聚类算法 | 第22-23页 |
| 2.4.3 概率密度聚类算法 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于LDA主题模型的微博文本表示 | 第24-36页 |
| 3.1 传统文本模型的问题 | 第24-25页 |
| 3.1.1 中文词性标注的问题 | 第24页 |
| 3.1.2 文本模型的问题 | 第24-25页 |
| 3.2 中文词性标注 | 第25-28页 |
| 3.2.1 隐马尔可夫模型(HMM) | 第26-28页 |
| 3.2.3 基于隐马可夫模型的中文词性标注 | 第28页 |
| 3.3 基于LDA主题模型的文本表示 | 第28-31页 |
| 3.3.1 LDA主题模型 | 第28-30页 |
| 3.3.2 吉布斯抽样算法 | 第30-31页 |
| 3.4 实验与分析 | 第31-34页 |
| 3.4.1 实验数据 | 第31-32页 |
| 3.4.2 语料预处理 | 第32页 |
| 3.4.3 实验结果 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 基于改进的Single-pass微博话题检测 | 第36-45页 |
| 4.1 Single-pass聚类挖掘概述 | 第36-38页 |
| 4.1.1 聚类算法比较 | 第36-38页 |
| 4.1.2 基于Single-pass话题检测流程 | 第38页 |
| 4.2 经典的Sinle-pass聚类算法 | 第38-39页 |
| 4.3 改进的Single-pass聚类算法 | 第39-41页 |
| 4.3.1 Single-pass的问题 | 第39-40页 |
| 4.3.2 Single-pass算法改进 | 第40-41页 |
| 4.4 实验与分析 | 第41-44页 |
| 4.4.1 性能评价指标 | 第41-42页 |
| 4.4.2 实验结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 微博话题检测系统的实现 | 第45-52页 |
| 5.1 系统需求设计 | 第45-47页 |
| 5.1.1 数据模块需求 | 第46页 |
| 5.1.2 文本预处理模块需求 | 第46-47页 |
| 5.1.3 话题检测模块需求 | 第47页 |
| 5.1.4 用户管理模块需求 | 第47页 |
| 5.1.5 日志管理模块需求 | 第47页 |
| 5.2 系统架构设计 | 第47-48页 |
| 5.3 功能模块设计 | 第48-49页 |
| 5.3.1 微博数据模块设计 | 第48页 |
| 5.3.2 文本预处理模块设计 | 第48-49页 |
| 5.3.3 话题检测模块设计 | 第49页 |
| 5.4 数据库设计 | 第49-51页 |
| 5.5 系统实现 | 第51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 全文总结 | 第52-53页 |
| 6.2 未来展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 作者攻读学位期间发表的学术论文目录 | 第58页 |