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 |