| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 微博主题挖掘技术的研究现状 | 第15-16页 |
| 1.2.1 国内研究现状 | 第15-16页 |
| 1.2.2 国外研究现状 | 第16页 |
| 1.3 存在的问题及本文研究内容 | 第16-19页 |
| 第二章 微博主题特征及微博数据的获取和预处理 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 微博主题特征 | 第19-20页 |
| 2.3 微博数据的获取 | 第20-24页 |
| 2.3.1 新浪微博开放平台API | 第20-23页 |
| 2.3.2 利用网络爬虫获取微博信息 | 第23-24页 |
| 2.4 微博话题检测 | 第24-28页 |
| 2.4.1 预处理 | 第24-25页 |
| 2.4.2 主题词检测 | 第25-26页 |
| 2.4.3 主题词聚类 | 第26-28页 |
| 2.5 本章小节 | 第28-29页 |
| 第三章 文本主题挖掘技术 | 第29-44页 |
| 3.1 文本挖掘的任务 | 第29页 |
| 3.2 文本表示 | 第29-32页 |
| 3.2.1 权值计算 | 第29-31页 |
| 3.2.2 概念模型 | 第31-32页 |
| 3.3 文本分类的几种机器学习方法 | 第32-36页 |
| 3.3.1 概率分类器 | 第32-33页 |
| 3.3.2 贝叶斯回归分析 | 第33页 |
| 3.3.3 决策树分类器 | 第33-34页 |
| 3.3.4 神经网络分类器 | 第34页 |
| 3.3.5 支持向量机 | 第34-35页 |
| 3.3.6 Boosting分类器 | 第35-36页 |
| 3.4 LDA模型 | 第36-40页 |
| 3.4.1 Gibbs抽样 | 第36页 |
| 3.4.2 LDA模型简介 | 第36-39页 |
| 3.4.3 Labeled-LDA模型 | 第39-40页 |
| 3.5 动态文本主题挖掘 | 第40-43页 |
| 3.5.1 文本会话的抽取 | 第41-42页 |
| 3.5.2 动态文本会话抽取预处理 | 第42页 |
| 3.5.3 动态短文本聚类算法 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 动态Labeled-LDA建模实验 | 第44-53页 |
| 4.1 基于动态Labeled-LDA模型的微博主题挖掘建模 | 第44-46页 |
| 4.2 实验设计与结果分析 | 第46-52页 |
| 4.2.1 实验环境 | 第46页 |
| 4.2.2 实验数据 | 第46-47页 |
| 4.2.3 实验设置 | 第47-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第五章 总结和展望 | 第53-54页 |
| 5.1 本文总结 | 第53页 |
| 5.2 工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第58页 |