| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织结构与技术路线 | 第14-16页 |
| 1.4.1 论文组织结构 | 第14-15页 |
| 1.4.2 技术路线 | 第15-16页 |
| 第2章 相关知识 | 第16-26页 |
| 2.1 特征预处理 | 第16-18页 |
| 2.2 特征权重算法 | 第18-19页 |
| 2.3 特征降维算法 | 第19-22页 |
| 2.3.1 潜在狄利克雷分配模型 | 第19-21页 |
| 2.3.2 主成分分析方法 | 第21-22页 |
| 2.4 话题跟踪算法 | 第22-25页 |
| 2.4.1 基于相似度计算的话题跟踪算法 | 第22-23页 |
| 2.4.2 基于概率统计的话题跟踪算法 | 第23-25页 |
| 2.4.2.1 固定参数话题跟踪算法 | 第23-24页 |
| 2.4.2.2 非参数话题跟踪算法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 对广义线性模型进行改进 | 第26-36页 |
| 3.1 广义线性模型用于话题跟踪的优势 | 第26-30页 |
| 3.1.1 广义线性模型在话题跟踪上的应用 | 第26-29页 |
| 3.1.2 线性模型的研究现状 | 第29-30页 |
| 3.2 广义线性模型用于话题跟踪的不足 | 第30-32页 |
| 3.3 基于特征独立性假设对广义线性模型的改进 | 第32-35页 |
| 3.3.1 用朴素贝叶斯理论对广义线性模型进行分析 | 第32-33页 |
| 3.3.2 用非参数估计求解特征独立性假设的广义线性模型 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于改进的广义线性模型的话题跟踪算法 | 第36-44页 |
| 4.1 话题跟踪流程 | 第36-37页 |
| 4.2 文本的表示及预处理 | 第37-38页 |
| 4.3 特征权重算法 | 第38-40页 |
| 4.3.1 卡方统计量算法 | 第39页 |
| 4.3.2 用类别区分度因子改进卡方统计量算法 | 第39-40页 |
| 4.4 特征降维算法 | 第40-42页 |
| 4.5 分类算法 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 实验结果与分析 | 第44-50页 |
| 5.1 实验方法 | 第44-45页 |
| 5.2 实验数据 | 第45-46页 |
| 5.3 实验结果与分析 | 第46-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 文本总结 | 第50-51页 |
| 6.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间取得的科研成果 | 第57页 |