| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及其意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 热门话题提取与跟踪研究现状 | 第11-12页 |
| 1.2.2 舆情分析方法研究现状 | 第12-13页 |
| 1.2.3 文本情感分析技术研究现状 | 第13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第2章 相关理论与技术 | 第15-23页 |
| 2.1 微博相关概念 | 第15页 |
| 2.2 文本预处理技术 | 第15-19页 |
| 2.2.1 中文文本分词技术 | 第15-16页 |
| 2.2.2 去停用词技术 | 第16-17页 |
| 2.2.3 文本表示模型 | 第17-19页 |
| 2.3 文本聚类算法 | 第19-20页 |
| 2.4 文本相似度计算技术 | 第20-21页 |
| 2.5 微博话题提取与跟踪技术 | 第21页 |
| 2.6 微博文本情感分析技术 | 第21-22页 |
| 2.7 本章小结 | 第22-23页 |
| 第3章 基于改进的Single-pass算法的热点话题提取 | 第23-38页 |
| 3.1 微博数据形式 | 第23-24页 |
| 3.2 微博文本预处理 | 第24-29页 |
| 3.2.1 数据清洗 | 第24-25页 |
| 3.2.2 微博文本分词 | 第25-27页 |
| 3.2.3 考虑微博文本特征的去停用词 | 第27-28页 |
| 3.2.4 文本表示 | 第28-29页 |
| 3.3 基于改进的Single-pass算法的热点话题提取 | 第29-32页 |
| 3.3.1 改进的Single-pass算法 | 第29-31页 |
| 3.3.2 微博文本相似度计算 | 第31-32页 |
| 3.4 引入表情分析的微博文本情感分析 | 第32-36页 |
| 3.4.1 情感词和表情提取 | 第33-34页 |
| 3.4.2 文本情感值计算 | 第34-36页 |
| 3.5 微博舆情可视化 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 微博舆情分析可视化系统的设计与实现 | 第38-50页 |
| 4.1 系统分析 | 第38-41页 |
| 4.1.1 系统基本功能需求和设计目标 | 第38-39页 |
| 4.1.2 系统模块设计 | 第39-40页 |
| 4.1.3 系统工作流程 | 第40-41页 |
| 4.1.4 系统框架设计 | 第41页 |
| 4.2 系统功能 | 第41-49页 |
| 4.2.1 微博用户分析可视化 | 第42-44页 |
| 4.2.2 微博传播可视化 | 第44-46页 |
| 4.2.3 微博热门话题可视化 | 第46-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 实验结果与性能分析 | 第50-59页 |
| 5.1 实验环境配置 | 第50-51页 |
| 5.1.1 实验环境和实验数据 | 第50页 |
| 5.1.2 开发工具 | 第50-51页 |
| 5.2 实验结果及分析 | 第51-58页 |
| 5.2.1 基于改进的Single-pass算法结果分析 | 第51-53页 |
| 5.2.2 引入表情的情感分析算法结果案例分析 | 第53-55页 |
| 5.2.3 微博舆情可视化系统展示 | 第55-58页 |
| 5.3 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第65-66页 |
| 致谢 | 第66页 |
