| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究内容 | 第14-15页 |
| 1.3 创新点和意义 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 国内外研究现状 | 第18-24页 |
| 2.1 Web舆情事件国内外研究现状 | 第18-19页 |
| 2.1.1 Web舆情事件发现、跟踪与演化研究 | 第18-19页 |
| 2.2 因果关系挖掘研究现状 | 第19-21页 |
| 2.2.1 因果关系抽取方法 | 第19-20页 |
| 2.2.2 因果知识流构建技术 | 第20页 |
| 2.2.3 因果挖掘的应用 | 第20-21页 |
| 2.3 用户影响力分析研究现状 | 第21-23页 |
| 2.3.1 用户影响力的早期研究 | 第21-22页 |
| 2.3.2 社交网络中用户影响力分析 | 第22-23页 |
| 2.3.3 用户影响力的应用 | 第23页 |
| 2.4 小结 | 第23-24页 |
| 第三章 基于贝叶斯的Web舆情事件类型判别模型 | 第24-37页 |
| 3.1 引言 | 第24-25页 |
| 3.2 Web舆情事件类型的定义 | 第25-27页 |
| 3.2.1 网络舆情事件的来源 | 第25-26页 |
| 3.2.2 Web舆情事件类型的定义 | 第26-27页 |
| 3.3 Web舆情事件类型判别所涉特征参数 | 第27-30页 |
| 3.3.1 Web舆情事件类型判定中的特征参数 | 第27页 |
| 3.3.2 Web舆情事件类别判断特征参数的定义 | 第27-30页 |
| 3.4 基于贝叶斯理论的Web舆情事件类型判别函数 | 第30-32页 |
| 3.5 Web舆情事件类型判别实验验证与讨论 | 第32-36页 |
| 3.5.1 Web舆情事件类型判别实验验证 | 第32-34页 |
| 3.5.2 Web舆情事件类型判别实例分析 | 第34-36页 |
| 3.6 小结 | 第36-37页 |
| 第四章 因果知识流模型的建立 | 第37-54页 |
| 4.1 引言 | 第37-39页 |
| 4.2 相关定义 | 第39-40页 |
| 4.3 因果提示词的扩展 | 第40-41页 |
| 4.4 因果句子的提取 | 第41-43页 |
| 4.4.1 单因果关系句子的提取 | 第41-42页 |
| 4.4.2 多因果关系句子的提取 | 第42-43页 |
| 4.5 因果知识流的构建 | 第43-48页 |
| 4.5.1 因果事件的表示 | 第43-44页 |
| 4.5.2 事件因果关系置信度的计算 | 第44-45页 |
| 4.5.3 核心因果知识流的构建 | 第45-48页 |
| 4.6 实验结果分析 | 第48-53页 |
| 4.6.1 数据集 | 第48页 |
| 4.6.2 因果关系句子抽取的实验结果分析 | 第48-51页 |
| 4.6.3 因果知识流构建实验结果分析 | 第51-53页 |
| 4.7 小结 | 第53-54页 |
| 第五章 Web舆情事件中影响力用户发现算法 | 第54-81页 |
| 5.1 引言 | 第54-56页 |
| 5.2 用户影响力及相关定义 | 第56-57页 |
| 5.3 用户交互行为网络与内容网络的构建 | 第57-63页 |
| 5.3.1 用户行为挖掘研究现状 | 第57-59页 |
| 5.3.2 用户交互行为网络的构建 | 第59-60页 |
| 5.3.3 基于关联规则的文本内容挖掘研究现状 | 第60-61页 |
| 5.3.4 用户内容网络的构建 | 第61-63页 |
| 5.4 基于两层网络迭代计算的影响力用户发现方法 | 第63-65页 |
| 5.4.1 用户交互行为网络与内容网络的关联 | 第64页 |
| 5.4.2 影响力用户发现方法 | 第64-65页 |
| 5.5 实验结果及其分析 | 第65-71页 |
| 5.5.1 数据集 | 第65-66页 |
| 5.5.2 评价标准 | 第66-67页 |
| 5.5.3 实验结果 | 第67-68页 |
| 5.5.4 相同影响力用户数量的计算 | 第68-69页 |
| 5.5.5 语义信息度量 | 第69-71页 |
| 5.6 参数敏感性分析 | 第71-80页 |
| 5.6.1 影响力用户排序的分析 | 第72-74页 |
| 5.6.2 语义信息度量分析 | 第74-80页 |
| 5.7 小结 | 第80-81页 |
| 第六章 基于用户交互行为网络的用户角色挖掘方法 | 第81-101页 |
| 6.1 引言 | 第81-83页 |
| 6.2 Web舆情事件中用户角色及相关定义 | 第83-88页 |
| 6.2.1 用户角色定义 | 第83-84页 |
| 6.2.2 交互行为网络中四种中心性的定义 | 第84-88页 |
| 6.3 Web舆情事件中重要用户的角色挖掘 | 第88-95页 |
| 6.3.1 信息制造者挖掘方法 | 第88-90页 |
| 6.3.2 信息推动者挖掘方法 | 第90-91页 |
| 6.3.3 信息桥梁挖掘方法 | 第91-92页 |
| 6.3.4 排序聚集方法 | 第92-95页 |
| 6.4 实验结果分析 | 第95-99页 |
| 6.4.1 数据集描述 | 第95-96页 |
| 6.4.2 实验过程 | 第96页 |
| 6.4.3 实验结果 | 第96-99页 |
| 6.5 小结 | 第99-101页 |
| 第七章 Web舆情事件分析应用系统 | 第101-113页 |
| 7.1 应用背景和系统模块 | 第101-103页 |
| 7.1.1 应用背景 | 第101-102页 |
| 7.1.2 系统模块 | 第102-103页 |
| 7.2 数据采集模块 | 第103-106页 |
| 7.2.1 数据采集流程 | 第103-104页 |
| 7.2.2 获取Web舆情事件 | 第104-105页 |
| 7.2.3 数据存储 | 第105-106页 |
| 7.3 事件多维分析模型及其应用系统 | 第106-111页 |
| 7.3.1 Web舆情事件类型判别模块 | 第106页 |
| 7.3.2 事件因果知识流构建模块 | 第106页 |
| 7.3.3 Web舆情事件影响力用户发现模块 | 第106-107页 |
| 7.3.4 Web舆情事件用户角色挖掘模块 | 第107页 |
| 7.3.5 应用系统介绍 | 第107-111页 |
| 7.4 小结 | 第111-113页 |
| 第八章 总结与展望 | 第113-116页 |
| 8.1 本文总结 | 第113-114页 |
| 8.2 研究展望 | 第114-116页 |
| 参考文献 | 第116-129页 |
| 作者在攻读博士学位期间公开发表的论文 | 第129-130页 |
| 作者在攻读博士学位期间参加的项目 | 第130-131页 |
| 致谢 | 第131页 |