| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 引言 | 第9-10页 |
| 1.2 研究背景及意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.3.1 基于语义方法的研究 | 第11页 |
| 1.3.2 基于统计学方法的研究 | 第11-12页 |
| 1.4 论文组织及结构 | 第12-15页 |
| 1.4.1 论文主要研究内容 | 第12-13页 |
| 1.4.2 论文结构安排 | 第13-15页 |
| 第2章 微博话题发现相关理论研究 | 第15-27页 |
| 2.1 中文微博功能与特点 | 第15-16页 |
| 2.1.1 微博功能 | 第15-16页 |
| 2.1.2 微博传播特点 | 第16页 |
| 2.2 文本聚类 | 第16-19页 |
| 2.2.1 聚类算法的分类 | 第17-18页 |
| 2.2.2 文本聚类算法 | 第18-19页 |
| 2.3 文本预处理 | 第19-22页 |
| 2.3.1 文本分词 | 第19-20页 |
| 2.3.2 文本特征表示 | 第20-21页 |
| 2.3.3 文本特征提取 | 第21-22页 |
| 2.4“知网（Hownet）” | 第22-26页 |
| 2.4.1“知网”基础概念 | 第22-25页 |
| 2.4.2 义原相似度计算 | 第25页 |
| 2.4.3 概念相似度计算 | 第25-26页 |
| 2.4.4 词语相似度计算 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 词共现方法发现微博热点话题 | 第27-34页 |
| 3.1 词共现模型 | 第27页 |
| 3.2 词共现图模型 | 第27-30页 |
| 3.3 改进的词共现方法 | 第30-31页 |
| 3.4 结合“知网”的词共现算法 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 系统的设计与实现 | 第34-39页 |
| 4.1 系统整体框架 | 第34-35页 |
| 4.2 数据收集模块 | 第35页 |
| 4.3 数据预处理模块 | 第35-36页 |
| 4.4 热点话题发现模块 | 第36-37页 |
| 4.5 话题展示模块 | 第37-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第5章 基于Hadoop平台算法的实现 | 第39-52页 |
| 5.1 Hadoop简介 | 第39-43页 |
| 5.1.1 HDFS | 第39-40页 |
| 5.1.2 MapReduce | 第40-41页 |
| 5.1.3 Hadoop整体架构 | 第41-43页 |
| 5.2 MapReduce编程基本原理 | 第43-44页 |
| 5.3 TF-IDF的Hadoop实现 | 第44-48页 |
| 5.3.1 TF-IDF算法简介 | 第44-45页 |
| 5.3.2 改进适用微博的TF-IDF算法 | 第45页 |
| 5.3.3 Hadoop平台算法的实现 | 第45-48页 |
| 5.4 词共现模型的Hadoop实现 | 第48-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 实验及结果分析 | 第52-64页 |
| 6.1 实验环境 | 第52页 |
| 6.2 实验效果评价指标 | 第52-53页 |
| 6.3 实验结果与分析 | 第53-63页 |
| 6.3.1 传统词共现算法阈值确定 | 第53-55页 |
| 6.3.2 词共现方法与K-Means算法比较 | 第55-56页 |
| 6.3.3 传统词共现方法与结合“知网”词共现算法比较 | 第56-59页 |
| 6.3.4 传统词共现方法与改进词共现算法比较 | 第59-61页 |
| 6.3.5 传统词共现方法与Hadoop平台算法运行速度比较 | 第61-63页 |
| 6.4 本章小结 | 第63-64页 |
| 第7章 总结与展望 | 第64-66页 |
| 7.1 本文工作总结 | 第64-65页 |
| 7.2 未来工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 附录 | 第69页 |