| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本论文的结构安排 | 第13-15页 |
| 第二章 相关知识介绍 | 第15-33页 |
| 2.1 数据挖掘简介 | 第15-16页 |
| 2.2 文本数据处理 | 第16-22页 |
| 2.2.1 文本分词 | 第17页 |
| 2.2.2 文本编码 | 第17-19页 |
| 2.2.3 文本相似度算法 | 第19-21页 |
| 2.2.4 文本去重算法 | 第21-22页 |
| 2.3 word2vec模型概述 | 第22-29页 |
| 2.3.1 词向量 | 第22-23页 |
| 2.3.2 word2vec模型简介 | 第23-29页 |
| 2.4 LDA主题模型概述 | 第29-31页 |
| 2.5 文本可视化分析 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于SCI学术文献的科研热点建模 | 第33-55页 |
| 3.1 数据采集与处理 | 第33-40页 |
| 3.1.1 数据来源 | 第34页 |
| 3.1.2 数据获取 | 第34-36页 |
| 3.1.3 数据特点 | 第36-39页 |
| 3.1.4 数据预处理 | 第39-40页 |
| 3.2 传统聚类算法 | 第40-44页 |
| 3.2.1 传统聚类算法介绍 | 第40-43页 |
| 3.2.2 算法存在的问题 | 第43-44页 |
| 3.3 基于word2vec模型和LDA主题模型的科研热点态势分析 | 第44-53页 |
| 3.3.1 模型概要介绍 | 第44-46页 |
| 3.3.2 主题-词矩阵生成 | 第46-48页 |
| 3.3.3 主题-词向量矩阵生成 | 第48-49页 |
| 3.3.4 最优主题个数求解算法 | 第49-51页 |
| 3.3.5 主题发展状态的度量方式 | 第51-53页 |
| 3.4 主题模型对比分析 | 第53页 |
| 3.5 主题可视化分析 | 第53-54页 |
| 3.6 本章小结 | 第54-55页 |
| 第四章 实验结果及评估 | 第55-69页 |
| 4.1 实验数据采集与处理 | 第55页 |
| 4.2 基于word2vec和LDA的主题模型 | 第55-61页 |
| 4.2.1 主题-词矩阵获取 | 第56-58页 |
| 4.2.2 主题-词向量矩阵获取 | 第58-59页 |
| 4.2.3 最优主题个数获取 | 第59页 |
| 4.2.4 主题发展状态的度量结果 | 第59-61页 |
| 4.3 主题模型对比分析结果 | 第61-62页 |
| 4.4 科研热点可视化分析 | 第62-66页 |
| 4.4.1 科研热点静态可视化分析 | 第62-63页 |
| 4.4.2 科研热点动态可视化分析 | 第63-66页 |
| 4.5 实验结果评估 | 第66-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 论文总结 | 第69-70页 |
| 5.2 进一步研究工作 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士期间取得的成果 | 第75页 |