| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 图录 | 第8-9页 |
| 表录 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题背景及意义 | 第10页 |
| 1.2 相关工作和研究现状 | 第10-15页 |
| 1.2.1 微博话题识别技术 | 第11-12页 |
| 1.2.2 微博话题信息表示 | 第12-13页 |
| 1.2.3 微博热点发现与预测 | 第13-15页 |
| 1.3 课题研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 微博热点话题预判框架 | 第18-24页 |
| 2.1 微博热点话题预判问题描述 | 第18-21页 |
| 2.1.1 相关概念 | 第18-19页 |
| 2.1.2 微博数据分析 | 第19-20页 |
| 2.1.3 微博热点话题预判的相关问题 | 第20-21页 |
| 2.2 话题多元信息表示模型 | 第21页 |
| 2.3 微博热点话题预判框架 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 话题多元信息表示模型 | 第24-36页 |
| 3.1 模型描述 | 第24-26页 |
| 3.2 模型动态更新机制 | 第26-29页 |
| 3.2.1 话题多元信息的更新 | 第26-27页 |
| 3.2.2 微博关注度衰减因子 | 第27-29页 |
| 3.3 微博话题一般特性分析 | 第29-34页 |
| 3.3.1 话题的词分布特性 | 第29-30页 |
| 3.3.2 微博转发关系分析 | 第30-31页 |
| 3.3.3 用户关系网络特性分析 | 第31-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于 MB-dLDA 的微博话题增量识别方法 | 第36-50页 |
| 4.1 MB-dLDA 模型 | 第36-40页 |
| 4.1.1 LDA 模型 | 第36-37页 |
| 4.1.2 MB-dLDA 模型 | 第37-39页 |
| 4.1.3 主题遗传因子 | 第39页 |
| 4.1.4 基于增量 Gibbs 采样的模型近似推理 | 第39-40页 |
| 4.2 微博话题特征词提取和时序关联 | 第40-42页 |
| 4.3 实验及结果分析 | 第42-48页 |
| 4.3.1 实验数据采集与预处理 | 第42-45页 |
| 4.3.2 实验效果评价方法 | 第45-46页 |
| 4.3.3 实验设计及结果分析 | 第46-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 微博话题热度评估 | 第50-66页 |
| 5.1 话题热度评估要素分析和提取 | 第50-53页 |
| 5.1.1 微博转发特征分析及要素提取 | 第50-51页 |
| 5.1.2 参与用户特征分析及要素提取 | 第51-53页 |
| 5.1.3 关键词特征分析及要素提取 | 第53页 |
| 5.2 基于层次分析法的话题热度评估 | 第53-58页 |
| 5.2.1 话题热度评估指标 | 第53-54页 |
| 5.2.2 层次分析法 | 第54页 |
| 5.2.3 话题热度特征权值计算的 APH 建模 | 第54-57页 |
| 5.2.4 基于特征权值的话题热度值计算 | 第57-58页 |
| 5.3 基于时间序列分析的热点话题判定 | 第58-61页 |
| 5.3.1 基于回归的时间序列分析 | 第59-60页 |
| 5.3.2 话题热度值时间序列的多项式回归分析 | 第60-61页 |
| 5.4 实验及结果分析 | 第61-64页 |
| 5.4.1 实验效果评价方法 | 第61-62页 |
| 5.4.2 实验设计及结果分析 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 结束语 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 作者简历 | 第74页 |