微博舆情热点发现及趋势预测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.2.1 数据说明 | 第16页 |
| 1.2.2 发文量分析 | 第16-17页 |
| 1.2.3 研究机构和国家分析 | 第17-18页 |
| 1.2.4 共被引分析 | 第18-19页 |
| 1.2.5 关键词分析 | 第19-20页 |
| 1.2.6 国内外研究成果分析 | 第20-22页 |
| 1.3 本文研究内容 | 第22-24页 |
| 1.3.1 微博舆情热点发现研究 | 第22-23页 |
| 1.3.2 话题发展趋势预测研究 | 第23-24页 |
| 1.4 本文的组织结构 | 第24-26页 |
| 第二章 相关理论及技术 | 第26-38页 |
| 2.1 特征权重计算 | 第26-27页 |
| 2.1.1 布尔权重 | 第26页 |
| 2.1.2 特征项频率 | 第26-27页 |
| 2.1.3 TF-IDF算法 | 第27页 |
| 2.2 主题模型 | 第27-32页 |
| 2.2.1 隐性语义分析模型 | 第27-28页 |
| 2.2.2 概率隐性语义分析模型 | 第28-30页 |
| 2.2.3 潜在主题模型 | 第30-31页 |
| 2.2.4 词对主题模型 | 第31-32页 |
| 2.3 粒子群优化算法 | 第32-35页 |
| 2.3.1 粒子群优化算法原理 | 第32-34页 |
| 2.3.2 粒子群优化算法流程 | 第34-35页 |
| 2.4 模糊神经网络 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 微博舆情热点发现模型 | 第38-48页 |
| 3.1 微博文本建模 | 第38-40页 |
| 3.2 文本表示及相似性度量 | 第40-42页 |
| 3.2.1 文本向量表示 | 第40-41页 |
| 3.2.2 文本相似性度量 | 第41-42页 |
| 3.3 实验分析 | 第42-47页 |
| 3.3.1 数据描述 | 第42-43页 |
| 3.3.2 改进权重计算对聚类结果的影响 | 第43-44页 |
| 3.3.3 实验结果与分析 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 话题发展趋势预测模型 | 第48-60页 |
| 4.1 基于模糊神经网络的预测模型 | 第48-49页 |
| 4.2 粒子群优化算法的改进 | 第49-51页 |
| 4.2.1 优化惯性权重 | 第49-50页 |
| 4.2.2 优化速度更新公式 | 第50-51页 |
| 4.3 模糊神经网络模型优化 | 第51-53页 |
| 4.4 实验分析 | 第53-58页 |
| 4.4.1 实验来源及处理 | 第53-54页 |
| 4.4.2 模型参数设置及训练 | 第54-55页 |
| 4.4.3 预测结果分析 | 第55-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
