| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 以文本为中心的检测方法研究现状 | 第12-14页 |
| 1.2.2 以突发特征词为中心的检测方法研究现状 | 第14-15页 |
| 1.2.3 以局部地域标签特征为中心的检测方法研究现状 | 第15-17页 |
| 1.3 研究内容 | 第17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第2章 微博数据的获取与相关技术选择 | 第19-27页 |
| 2.1 微博数据资源的获取及预处理 | 第19-21页 |
| 2.1.1 微博数据的获取方法 | 第19-20页 |
| 2.1.2 微博数据的预处理 | 第20-21页 |
| 2.2 海量数据处理的技术分析与选择 | 第21-26页 |
| 2.2.1 数据的存储技术分析与选择 | 第21-22页 |
| 2.2.2 数据的计算模式分析与选择 | 第22页 |
| 2.2.3 相关数据处理与计算平台特点分析与选择 | 第22-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于突发词的事件检测模型构建 | 第27-41页 |
| 3.1 基于多突发特征的突发词提取模型 | 第27-34页 |
| 3.1.1 突发词特征的分析与表示 | 第28-30页 |
| 3.1.2 基于D-S证据理论和层次分析法相结合的特征融合方法 | 第30-32页 |
| 3.1.3 实验结果分析 | 第32-34页 |
| 3.2 基于突发特征词的事件检测模型 | 第34-40页 |
| 3.2.1 突发词耦合度计算方法 | 第34-36页 |
| 3.2.2 基于凝聚式层次聚类的事件检测方法 | 第36-38页 |
| 3.2.3 实验结果分析 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 基于实体特征的事件检测模型构建 | 第41-52页 |
| 4.1 基于动态时间窗口的突发特征识别模型 | 第41-47页 |
| 4.1.1 动态时间窗口的选择方法 | 第42-43页 |
| 4.1.2 突发实体权重的计算与识别方法 | 第43-45页 |
| 4.1.3 实验结果分析 | 第45-47页 |
| 4.2 基于突发特征实体融合的事件检测模型 | 第47-51页 |
| 4.2.1 基于突发实体扩充的组合聚类方法 | 第47-48页 |
| 4.2.2 基于突发词发现的事件检测方法 | 第48-50页 |
| 4.2.3 实验结果分析 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 相似事件融合模型构建及微博映射 | 第52-55页 |
| 5.1 相似事件融合模型的实现 | 第52-54页 |
| 5.2 突发事件与微博的映射方法 | 第54页 |
| 5.3 本章小结 | 第54-55页 |
| 第6章 系统的设计与实现 | 第55-60页 |
| 6.1 系统设计思路与总体架构 | 第55-56页 |
| 6.2 系统功能模块的设计与实现 | 第56-59页 |
| 6.2.1 微博数据获取与预处理模块 | 第56-57页 |
| 6.2.2 基于突发词的事件检测模块 | 第57-58页 |
| 6.2.3 基于实体特征的事件检测模块 | 第58页 |
| 6.2.4 相似事件融合模块 | 第58-59页 |
| 6.3 本章小结 | 第59-60页 |
| 第7章 总结与展望 | 第60-62页 |
| 7.1 本文总结 | 第60-61页 |
| 7.2 下一步工作 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 个人简介及在校期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |