面向用户兴趣与社区关系的微博话题检测方法
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-19页 |
| 1.1 微博话题检测研究背景及意义 | 第12-13页 |
| 1.2 微博话题检测研究综述 | 第13-17页 |
| 1.2.1 微博定义 | 第13-14页 |
| 1.2.2 微博特点 | 第14-15页 |
| 1.2.3 研究现状综述 | 第15-17页 |
| 1.2.4 存在问题及发展趋势 | 第17页 |
| 1.3 课题研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 2 基础知识综述 | 第19-28页 |
| 2.1 微博话题相关概念 | 第19页 |
| 2.2 微博文档表示模型 | 第19-21页 |
| 2.2.1 向量空间模型 | 第20页 |
| 2.2.2 扩展的空间向量模型 | 第20-21页 |
| 2.2.3 词嵌入模型 | 第21页 |
| 2.3 微博特征权重计算方法 | 第21-23页 |
| 2.4 微博文本相似度计算方法 | 第23页 |
| 2.5 微博话题检测模型 | 第23-27页 |
| 2.5.1 基于聚类的话题检测模型 | 第23-25页 |
| 2.5.2 基于主题模型的话题检测 | 第25-27页 |
| 2.6 本章总结 | 第27-28页 |
| 3 面向用户兴趣与社区关系的微博话题检测方法 | 第28-43页 |
| 3.1 新浪微博用户社区兴趣分析 | 第28-29页 |
| 3.2 网络建模 | 第29-30页 |
| 3.2.1 建模 | 第29页 |
| 3.2.2 相似度构造方式 | 第29-30页 |
| 3.3 用户社区划分 | 第30-31页 |
| 3.4 话题检测 | 第31-34页 |
| 3.4.1 提取重要词语 | 第32页 |
| 3.4.2 微博剪枝 | 第32页 |
| 3.4.3 微博文本ε近邻图构建 | 第32-33页 |
| 3.4.4 微博聚类 | 第33页 |
| 3.4.5 主题词检测 | 第33页 |
| 3.4.6 话题热度排行 | 第33-34页 |
| 3.5 实验结果与分析 | 第34-42页 |
| 3.5.1 实验环境 | 第34页 |
| 3.5.2 实验数据 | 第34-38页 |
| 3.5.3 数据预处理 | 第38页 |
| 3.5.4 用户社区划分实验与结果 | 第38-39页 |
| 3.5.5 社区内话题检测 | 第39-41页 |
| 3.5.6 方法的进一步分析 | 第41-42页 |
| 3.6 本章总结 | 第42-43页 |
| 4 基于词重要度与时间窗口的微博话题检测方法 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 基于词重要度与时间窗口的微博话题检测方法 | 第43-49页 |
| 4.2.1 时间分片及文本表示 | 第44页 |
| 4.2.2 词重要度计算方法 | 第44-47页 |
| 4.2.3 主题词候选词抽取 | 第47-48页 |
| 4.2.4 相似度计算方法 | 第48页 |
| 4.2.5 改进的词共现网络 | 第48-49页 |
| 4.2.6 挖掘话题社区 | 第49页 |
| 4.2.7 话题重要度计算以及排行 | 第49页 |
| 4.3 实验结果与分析 | 第49-54页 |
| 4.3.1 实验环境 | 第49-50页 |
| 4.3.2 实验数据 | 第50页 |
| 4.3.3 实验结果 | 第50-54页 |
| 4.3.4 对比实验 | 第54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 结论 | 第55-57页 |
| 5.1 本文总结 | 第55-56页 |
| 5.2 存在问题以及工作展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第60-62页 |
| 学位论文数据集 | 第62页 |
