首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

基于贝叶斯理论的网络舆情主题分类模型研究

摘要第1-7页
Abstract第7-9页
目录第9-12页
Contents第12-15页
附表清单第15-16页
Bill of Tables第16-17页
插图清单第17-18页
Bill of Figures第18-19页
第1章 绪论第19-28页
   ·研究的背景与意义第19-20页
     ·研究的背景第19页
     ·研究的意义第19-20页
   ·国内外研究现状第20-24页
     ·网络舆情的研究现状第20-21页
     ·贝叶斯的研究现状第21-23页
     ·文本挖掘的研究现状第23-24页
   ·论文的研究内容、技术路线和研究方法第24-27页
     ·研究内容及框架第24-25页
     ·论文的技术路线第25页
     ·研究方法第25-26页
     ·创新点第26-27页
   ·本章小结第27-28页
第2章 网络舆情主题分类的关键技术第28-41页
   ·网络舆情相关知识第28-30页
     ·网络舆情定义第28-29页
     ·网络舆情的特点第29页
     ·网络舆情和社会舆情的关系第29-30页
   ·文本挖掘技术第30-34页
     ·文本挖掘的流程第30-32页
     ·文本挖掘的常用技术第32-34页
     ·文本挖掘的应用第34页
   ·粗糙集理论第34-36页
     ·粗糙集基本理论第35页
     ·动态约简第35-36页
   ·贝叶斯理论第36-40页
     ·朴素贝叶斯分类模型第36-37页
     ·朴素贝叶斯模型的扩展第37-39页
     ·相关文本分类算法的比较第39-40页
   ·本章小结第40-41页
第3章 网络舆情信息处理第41-52页
   ·网络舆情信息采集第41-43页
     ·舆情信息主要来源第41页
     ·舆情信息的采集第41-43页
   ·舆情信息预处理第43-47页
     ·文本信息提取第43-44页
     ·中文分词处理第44-45页
     ·舆情信息特征提取第45-46页
     ·网络舆情文本表示第46页
     ·特征加权方法第46-47页
   ·改进的舆情文本表示方法第47-48页
   ·网络舆情主题第48-51页
     ·网络舆情主题描述第48-49页
     ·网络舆情主题规划第49-51页
   ·本章小结第51-52页
第4章 基于贝叶斯的网络舆情主题分类模型第52-65页
   ·朴素贝叶斯分类方法分析第52-53页
     ·复杂度分析第52页
     ·优缺点分析第52-53页
   ·增量贝叶斯分类算法第53-56页
     ·增量学习机制第53-54页
     ·增量贝叶斯分类模型第54-55页
     ·算法描述第55-56页
   ·基于动态约简的贝叶斯分类算法第56-59页
     ·( F-λ)广义动态约简方法第56-57页
     ·基于动态约简的贝叶斯分类模型第57-58页
     ·算法描述第58-59页
   ·改进的网络舆情主题分类模型第59-62页
     ·基于动态约简的增量贝叶斯分类模型第59-60页
     ·算法描述第60-61页
     ·算法分析第61-62页
   ·实验对比及结果分析第62-64页
     ·实验过程第62-63页
     ·结果分析第63-64页
   ·本章小结第64-65页
第5章 网络舆情主题分类仿真研究第65-75页
   ·实验数据和环境第65-66页
   ·实验设计第66-68页
   ·评价指标第68-69页
   ·结果分析第69-73页
   ·后续研究第73页
   ·本章小结第73-75页
总结与展望第75-77页
 本文总结第75页
 研究展望第75-77页
参考文献第77-81页
附录第81-83页
攻读学位期间发表的论文及参与的科研项目第83-84页
致谢第84-85页
详细摘要第85-90页

论文共90页,点击 下载论文
上一篇:IaaS云计算服务定价问题研究
下一篇:船用结构机器人曲面切割技术研究