| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 微博热点话题发现相关技术 | 第15-23页 |
| 2.1 微博简介 | 第15-16页 |
| 2.2 微博热点话题发现模型 | 第16-17页 |
| 2.3 文本表示模型 | 第17-21页 |
| 2.3.1 布尔模型 | 第17页 |
| 2.3.2 向量空间模型 | 第17-19页 |
| 2.3.3 概率检索模型 | 第19页 |
| 2.3.4 语言模型 | 第19-20页 |
| 2.3.5 文本相似度计算 | 第20-21页 |
| 2.4 文本聚类 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 微博数据获取与预处理 | 第23-39页 |
| 3.1 微博数据获取与预处理流程 | 第23页 |
| 3.2 微博数据获取 | 第23-29页 |
| 3.2.1 基于网络爬虫的数据获取方法 | 第24页 |
| 3.2.2 基于微博平台API的数据获取方法 | 第24-29页 |
| 3.3 微博数据解析 | 第29-35页 |
| 3.3.1 JSON数据格式分析 | 第29-33页 |
| 3.3.2 数据解析 | 第33-35页 |
| 3.4 微博数据预处理 | 第35-38页 |
| 3.4.1 噪声处理 | 第36-37页 |
| 3.4.2 分词及词性标注 | 第37页 |
| 3.4.3 去停用词 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于LSA的微博文本建模 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 LSA模型 | 第39-44页 |
| 4.2.1 LSA基本原理 | 第39-41页 |
| 4.2.2 实验与分析 | 第41-44页 |
| 4.3 基于LSA的微博文本建模 | 第44-46页 |
| 4.3.1 基本框架 | 第44页 |
| 4.3.2 权重计算 | 第44-46页 |
| 4.3.3 LSA降维 | 第46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 微博话题聚类算法 | 第47-64页 |
| 5.1 聚类算法设计思想 | 第47-51页 |
| 5.1.1 常用聚类算法对比 | 第47-48页 |
| 5.1.2 标准K-means算法 | 第48-49页 |
| 5.1.3 标准Single-pass算法 | 第49-50页 |
| 5.1.4 二次聚类算法设计思想 | 第50-51页 |
| 5.2 二次聚类算法 | 第51-57页 |
| 5.2.1 K-means改进算法实现一次聚类 | 第51-53页 |
| 5.2.2 增量进行第二次聚类 | 第53-54页 |
| 5.2.3 划分聚类和增量聚类相结合的二次聚类算法 | 第54-57页 |
| 5.3 算法评价指标 | 第57页 |
| 5.4 聚类算法对比实验及分析 | 第57-61页 |
| 5.5 微博热点话题发现方案 | 第61-63页 |
| 5.5.1 微博话题热度 | 第61页 |
| 5.5.2 微博热点话题发现方案 | 第61-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 微博热点话题发现原型系统 | 第64-71页 |
| 6.1 开发环境 | 第64页 |
| 6.2 系统总体架构 | 第64-65页 |
| 6.3 微博热点话题发现系统设计 | 第65-69页 |
| 6.3.1 微博热点话题发现系统登陆模块 | 第65-66页 |
| 6.3.2 数据采集及与处理模块 | 第66页 |
| 6.3.3 话题聚类 | 第66-69页 |
| 6.3.4 热点话题展示 | 第69页 |
| 6.4 微博热点话题分析 | 第69-70页 |
| 6.5 本章小结 | 第70-71页 |
| 第七章 总结与展望 | 第71-73页 |
| 7.1 总结 | 第71-72页 |
| 7.2 展望 | 第72-73页 |
| 参考 文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第77页 |