| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容及目标 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 相关理论和主要技术 | 第16-28页 |
| 2.1 微博相关理论 | 第16-17页 |
| 2.1.1 微博客概述 | 第16页 |
| 2.1.2 微博客特点 | 第16-17页 |
| 2.1.3 微博客传播特点 | 第17页 |
| 2.2 文本挖掘 | 第17-23页 |
| 2.2.1 文本挖掘概述 | 第17-18页 |
| 2.2.2 文本聚类算法 | 第18-21页 |
| 2.2.3 文本表示模型 | 第21-22页 |
| 2.2.4 文本间相似度计算 | 第22-23页 |
| 2.3 云计算与Hadoop技术 | 第23-26页 |
| 2.3.1 云计算概述 | 第23-24页 |
| 2.3.2 Hadoop的概述与应用 | 第24页 |
| 2.3.3 Hadoop的文件系统 | 第24-25页 |
| 2.3.4 Hadoop的MapReduce编程思想 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于改进H-K聚类算法的微博客热点话题发现 | 第28-48页 |
| 3.1 H-K聚类算法的分析及改进 | 第28-33页 |
| 3.1.1 改进的H-K聚类算法的主要思想及分析 | 第28-30页 |
| 3.1.2 改进的H-K聚类算法的描述 | 第30-32页 |
| 3.1.3 改进的H-K聚类算法的性能分析 | 第32-33页 |
| 3.2 基于改进H-K聚类算法的微博客的热点话题发现的基本思想 | 第33-34页 |
| 3.3 微博客数据集的采集 | 第34-35页 |
| 3.4 微博客数据集的预处理 | 第35-37页 |
| 3.4.1 去除数据集无用的信息 | 第35-36页 |
| 3.4.2 微博客的中文分词 | 第36-37页 |
| 3.4.3 微博客数据的停用词处理 | 第37页 |
| 3.5 LDA主题模型建模 | 第37-42页 |
| 3.5.1 主题模型的引出 | 第37-39页 |
| 3.5.2 LDA建模 | 第39-42页 |
| 3.6 微博客的热点话题发现 | 第42-46页 |
| 3.6.1 基于H-K聚类算法的微博客话题发现 | 第42-44页 |
| 3.6.2 热点话题的选取 | 第44-46页 |
| 3.7 本章小结 | 第46-48页 |
| 第4章 实验及结果分析 | 第48-58页 |
| 4.1 实验环境与工具 | 第48页 |
| 4.2 实验数据 | 第48-49页 |
| 4.3 实验评价方法 | 第49-50页 |
| 4.3.1 聚类性能评价 | 第49-50页 |
| 4.3.2 主题模型的性能评价指标 | 第50页 |
| 4.4 实验内容及结果分析 | 第50-57页 |
| 4.4.1 参数敏感度测试 | 第51-53页 |
| 4.4.2 对比试验 | 第53-55页 |
| 4.4.3 热点话题的发现 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第64-65页 |
| 致谢 | 第65页 |
