基于微博文本的话题聚类研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-12页 |
| ·论文的研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9页 |
| ·本文主要的研究工作 | 第9-10页 |
| ·论文结构 | 第10-12页 |
| 第2章 相关工作综述 | 第12-22页 |
| ·数据采集 | 第12-13页 |
| ·概述 | 第12页 |
| ·针对微博的数据采集 | 第12-13页 |
| ·文本表示模型 | 第13-14页 |
| ·文本聚类 | 第14-20页 |
| ·概述 | 第14-17页 |
| ·分词 | 第17-18页 |
| ·特征向量 | 第18-20页 |
| ·话题聚类 | 第20-21页 |
| ·数据可视化 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于微博的话题聚类算法的研究与设计实现 | 第22-36页 |
| ·算法的整体描述 | 第22-24页 |
| ·文本预处理 | 第24-27页 |
| ·数据清理 | 第24-25页 |
| ·索引库的建立 | 第25-26页 |
| ·文本分词技术 | 第26-27页 |
| ·特征向量的提取与筛选 | 第27-29页 |
| ·信息增益 | 第27-28页 |
| ·特征向量的筛选 | 第28-29页 |
| ·特征向量权重的计算 | 第29-31页 |
| ·基于 VSM 的文本表示 | 第30页 |
| ·TFIDF 算法 | 第30-31页 |
| ·聚类实现 | 第31-34页 |
| ·数据准备 | 第31-33页 |
| ·K-means 算法 | 第33-34页 |
| ·欧氏距离 | 第34页 |
| ·曼哈顿距离 | 第34页 |
| ·本章小结 | 第34-36页 |
| 第4章 实验与性能分析 | 第36-50页 |
| ·实验数据获取 | 第36-37页 |
| ·微博数据特性 | 第37页 |
| ·测试语料 | 第37-38页 |
| ·算法评估标准 | 第38-39页 |
| ·层次聚类与 K-means 聚类算法比较 | 第39-40页 |
| ·欧式距离与曼哈顿距离 | 第40-41页 |
| ·添加用户词典对聚类结果的影响 | 第41-43页 |
| ·信息增益阈值选择 | 第43-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 系统设计与实现 | 第50-54页 |
| ·系统整体设计 | 第50页 |
| ·系统构建 | 第50-53页 |
| ·存在的问题与展望 | 第53页 |
| ·本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
