| 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11-15页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 研究背景及意义 | 第15页 |
| 1.2 国内外相关研究现状 | 第15-24页 |
| 1.2.1 大数据研究现状 | 第15-23页 |
| 1.2.2 微博舆情研究现状 | 第23-24页 |
| 1.3 本文的主要工作 | 第24页 |
| 1.4 论文的组织结构 | 第24-25页 |
| 第二章 理论基础与相关技术 | 第25-37页 |
| 2.1 大数据相关理论和技术 | 第25-29页 |
| 2.1.1 大数据概念和特点 | 第25-26页 |
| 2.1.2 云计算平台-Hadoop | 第26-27页 |
| 2.1.3 Hadoop MapReduce编程模型 | 第27-28页 |
| 2.1.4 Hadoop HDFS分布式文件系统 | 第28-29页 |
| 2.2 微博舆情相关理论 | 第29-30页 |
| 2.2.1 舆情的概念 | 第29页 |
| 2.2.2 微博舆情的特点 | 第29-30页 |
| 2.3 舆情信息预处理技术 | 第30-35页 |
| 2.3.1 中文分词 | 第31-32页 |
| 2.3.2 去除停用词 | 第32-33页 |
| 2.3.3 特征提取 | 第33-35页 |
| 2.4 舆情信息分析技术 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 微博舆情监控系统模型总体设计 | 第37-45页 |
| 3.1 模型概述 | 第37-38页 |
| 3.2 模型需求分析 | 第38-39页 |
| 3.2.1 功能性需求 | 第38-39页 |
| 3.2.2 非功能性需求 | 第39页 |
| 3.3 大数据环境下微博舆情监控系统模型构建 | 第39-44页 |
| 3.3.1 数据采集模块 | 第40-43页 |
| 3.3.2 数据预处理模块 | 第43页 |
| 3.3.3 舆情分析模块 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 微博舆情监控系统模型设计与实现 | 第45-59页 |
| 4.1 微博舆情监控系统功能各模块分析 | 第45页 |
| 4.2 微博数据采集模块关键技术 | 第45-46页 |
| 4.3 数据预处理模块 | 第46-48页 |
| 4.3.1 分布式预处理 | 第47-48页 |
| 4.3.2 特征抽取模块 | 第48页 |
| 4.4 数据聚类模块 | 第48-54页 |
| 4.4.1 聚类距离度量公式 | 第49页 |
| 4.4.2 K-Means聚类算法及其并行化 | 第49-51页 |
| 4.4.3 Canopy聚类算法及其并行化 | 第51-53页 |
| 4.4.4 利用HowNet提高文本聚类精度 | 第53-54页 |
| 4.5 微博舆情监控分析模块 | 第54-58页 |
| 4.5.1 热点话题发现 | 第54-55页 |
| 4.5.2 情感倾向性分析 | 第55-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 实验及结果分析 | 第59-65页 |
| 5.1 实验环境配置 | 第59-60页 |
| 5.2 数据采集实验 | 第60页 |
| 5.3 文本预处理实验 | 第60-62页 |
| 5.3.1 中文分词实现倒排索引文件 | 第60-61页 |
| 5.3.2 文本向量化 | 第61页 |
| 5.3.3 实验结果分析 | 第61-62页 |
| 5.4 热点话题发现及可视化 | 第62-63页 |
| 5.5 情感倾向性分析 | 第63-64页 |
| 5.6 本章总结 | 第64-65页 |
| 第六章 结论与展望 | 第65-67页 |
| 6.1 研究结论 | 第65页 |
| 6.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |