基于LDA模型的微博话题与事件检测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 论文研究背景和意义 | 第8-10页 |
| 1.2 国内外相关研究现状 | 第10-14页 |
| 1.2.1 话题检测与跟踪概述 | 第10-11页 |
| 1.2.2 微博话题检测概述 | 第11-13页 |
| 1.2.3 主题模型研究概述 | 第13-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关理论和技术 | 第16-26页 |
| 2.1 文本话题检测的流程 | 第16页 |
| 2.2 语料的预处理 | 第16-18页 |
| 2.3 文本的模型表示 | 第18-20页 |
| 2.4 文本之间相似度的计算 | 第20-21页 |
| 2.5 聚类算法 | 第21-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 主题模型 | 第26-33页 |
| 3.1 主题模型简介 | 第26-27页 |
| 3.2 主题模型技术 | 第27-31页 |
| 3.2.1 LSA | 第27-28页 |
| 3.2.2 PLSA | 第28-30页 |
| 3.2.3 LDA | 第30-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第4章 基于LDA-SP的微博话题检测算法 | 第33-47页 |
| 4.1 引言 | 第33页 |
| 4.2 算法结构 | 第33-34页 |
| 4.3 文本预处理 | 第34-35页 |
| 4.3.1 文本过滤 | 第34-35页 |
| 4.3.2 文本分词 | 第35页 |
| 4.3.3 去停用词 | 第35页 |
| 4.4 微博文档的LDA建模 | 第35-38页 |
| 4.5 文本聚类 | 第38-39页 |
| 4.6 实验和结果分析 | 第39-46页 |
| 4.6.1 实验环境 | 第39页 |
| 4.6.2 实验评价参数 | 第39-40页 |
| 4.6.3 实验数据 | 第40-41页 |
| 4.6.4 实验结果和分析 | 第41-46页 |
| 4.7 本章小结 | 第46-47页 |
| 第5章 微博事件的同一性计算 | 第47-55页 |
| 5.1 引言 | 第47-48页 |
| 5.2 关键技术 | 第48-51页 |
| 5.2.1 微博的时间特征 | 第48页 |
| 5.2.2 微博的地点特征 | 第48-49页 |
| 5.2.3 微博的同一性评分计算 | 第49-50页 |
| 5.2.4 改进的Single-Pass算法 | 第50-51页 |
| 5.3 实验和结果分析 | 第51-54页 |
| 5.3.1 实验数据 | 第51页 |
| 5.3.2 实验过程及结果分析 | 第51-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |
