基于微博自身特征的热点话题发现研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 2 相关技术研究 | 第16-27页 |
| 2.1 话题检测与跟踪技术 | 第16-17页 |
| 2.1.1 基本概念 | 第16页 |
| 2.1.2 任务划分 | 第16-17页 |
| 2.2 信息检索模型 | 第17-21页 |
| 2.2.1 布尔模型 | 第17-18页 |
| 2.2.2 向量空间模型 | 第18-19页 |
| 2.2.3 语义分析模型 | 第19-21页 |
| 2.3 相似度计算方法 | 第21-22页 |
| 2.4 聚类算法介绍 | 第22-26页 |
| 2.4.1 划分聚类算法 | 第23页 |
| 2.4.2 层次聚类算法 | 第23-24页 |
| 2.4.3 密度聚类算法 | 第24-25页 |
| 2.4.4 网格聚类算法 | 第25页 |
| 2.4.5 模型聚类算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于微博特征的IH数据筛选方法 | 第27-41页 |
| 3.1 微博数据获取 | 第27-30页 |
| 3.1.1 微博API获取 | 第27-29页 |
| 3.1.2 网络爬虫获取 | 第29-30页 |
| 3.1.3 第三方平台获取 | 第30页 |
| 3.2 微博特点分析 | 第30-38页 |
| 3.2.1 用户角色特征分析 | 第30-33页 |
| 3.2.2 微博结构及传播特点分析 | 第33-36页 |
| 3.2.3 微博信息特点分析 | 第36-38页 |
| 3.3 IH数据筛选方法 | 第38-40页 |
| 3.3.1 微博长尾现象 | 第38-39页 |
| 3.3.2 IH数据筛选方法 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于微博特征的ISP-LDA话题发现方法 | 第41-54页 |
| 4.1 传统方法的不足及改进 | 第41-42页 |
| 4.2 数据预处理 | 第42-44页 |
| 4.2.1 文本净化 | 第42-43页 |
| 4.2.2 中文分词 | 第43-44页 |
| 4.2.3 去停用词 | 第44页 |
| 4.3 ISP算法话题初类发现 | 第44-49页 |
| 4.3.1 单遍聚类 | 第44-45页 |
| 4.3.2 ISP聚类算法 | 第45-48页 |
| 4.3.3 临界值确定 | 第48-49页 |
| 4.4 基于LDA模型的热点话题发现 | 第49-53页 |
| 4.4.1 主题模型 | 第49-50页 |
| 4.4.2 模型建立 | 第50-52页 |
| 4.4.3 参数推演 | 第52-53页 |
| 4.4.4 LDA生成过程 | 第53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 实验及结果分析 | 第54-64页 |
| 5.1 实验环境及评价方法 | 第54-55页 |
| 5.1.1 实验环境 | 第54页 |
| 5.1.2 评价方法 | 第54-55页 |
| 5.2 微博数据抓取过程及结果 | 第55-57页 |
| 5.3 IH数据筛选结果及分析 | 第57-58页 |
| 5.4 ISP-LDA算法结果及分析 | 第58-63页 |
| 5.4.1 ISP初类发现结果及分析 | 第58-59页 |
| 5.4.2 LDA建模过程及结果分析 | 第59-63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64页 |
| 6.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间发表论文及科研成果 | 第69-70页 |
| 致谢 | 第70页 |
