| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 事件检测研究现状 | 第11-12页 |
| 1.2.2 主题词抽取研究现状 | 第12-15页 |
| 1.2.3 聚类研究现状 | 第15-16页 |
| 1.3 研究目标与内容 | 第16-17页 |
| 1.4 章节安排 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 相关理论和技术 | 第18-25页 |
| 2.1 社会化网络 | 第18页 |
| 2.2 微博 | 第18-19页 |
| 2.2.1 微博介绍 | 第18-19页 |
| 2.2.2 个人微博介绍 | 第19页 |
| 2.3 聚类方法 | 第19-23页 |
| 2.3.1 相似度聚类 | 第19-21页 |
| 2.3.2 K-Means聚类 | 第21页 |
| 2.3.3 K-Modes聚类 | 第21页 |
| 2.3.4 密度聚类 | 第21-22页 |
| 2.3.5 网格聚类 | 第22页 |
| 2.3.6 层次聚类 | 第22-23页 |
| 2.4 TF-IDF公式 | 第23页 |
| 2.4.1 传统的TF-IDF的思想 | 第23页 |
| 2.4.2 关于TF-IDF相关研究 | 第23页 |
| 2.5 事件抽取流程 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 主题词提取的设计与实现 | 第25-38页 |
| 3.1 源数据的获取 | 第25-28页 |
| 3.2 数据预处理 | 第28-31页 |
| 3.2.1 规范化微博信息 | 第29页 |
| 3.2.2 分词与词性标记 | 第29-30页 |
| 3.2.3 分词过滤 | 第30-31页 |
| 3.3 相似度计算 | 第31-34页 |
| 3.3.1 耦合相似度 | 第31-32页 |
| 3.3.2 时序相似度 | 第32页 |
| 3.3.3 计算流行度 | 第32页 |
| 3.3.4 流行相似度 | 第32-33页 |
| 3.3.5 综合相似度 | 第33页 |
| 3.3.6 提取聚类关键词 | 第33-34页 |
| 3.4 传统TF-IDF | 第34-35页 |
| 3.5 TF-DF计算 | 第35-37页 |
| 3.5.1 改进的TF表现形式 | 第35-36页 |
| 3.5.2 提出的DF表现形式 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 基于模板公共事件检测 | 第38-41页 |
| 4.1 构建模板 | 第38-39页 |
| 4.1.1 模板匹配的优点 | 第38-39页 |
| 4.1.2 模板匹配的缺点 | 第39页 |
| 4.2 模板匹配的步骤 | 第39-40页 |
| 4.3 本章小结 | 第40-41页 |
| 5 实验评估 | 第41-48页 |
| 5.1 实验数据 | 第41页 |
| 5.2 实验配置环境 | 第41页 |
| 5.3 实验结果 | 第41-45页 |
| 5.3.1 相似度聚类 | 第42页 |
| 5.3.2 特征值计算 | 第42-44页 |
| 5.3.3 模板匹配 | 第44-45页 |
| 5.4 评价指标 | 第45-47页 |
| 5.4.1 PWSWE与传统TF-IDF提取主题词实验结果对比 | 第45页 |
| 5.4.2 主题词提取评测结果 | 第45-46页 |
| 5.4.3 事件提取结果 | 第46-47页 |
| 5.5 本章小结 | 第47-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 在学研究成果 | 第54-55页 |
| 致谢 | 第55页 |