| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 主题模型研究现状 | 第8-11页 |
| 1.2.1 主题模型的相关研究 | 第8-9页 |
| 1.2.2 LDA的扩展模型 | 第9-11页 |
| 1.3 融合知识的主题模型研究现状 | 第11-12页 |
| 1.4 论文的研究内容和组织结构 | 第12-14页 |
| 2 传统主题模型介绍 | 第14-26页 |
| 2.1 主题模型简介 | 第14-20页 |
| 2.1.1 TF-IDF模型 | 第16-17页 |
| 2.1.2 一元模型 | 第17-18页 |
| 2.1.3 LSA模型 | 第18-19页 |
| 2.1.4 pLSA模型 | 第19-20页 |
| 2.2 LDA主题模型主要思想 | 第20-22页 |
| 2.3 LDA主题模型采样算法 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 3 融合知识的主题模型研究 | 第26-41页 |
| 3.1 引言 | 第26-27页 |
| 3.2 PLTM模型 | 第27-31页 |
| 3.2.1 人工提供先验主题知识 | 第27-29页 |
| 3.2.2 自动挖掘先验主题知识 | 第29-31页 |
| 3.3 模型推断 | 第31-33页 |
| 3.4 Online方法 | 第33-35页 |
| 3.4.1 在线PLTM | 第33-34页 |
| 3.4.2 增量PLTM | 第34-35页 |
| 3.5 实验设置和结果 | 第35-40页 |
| 3.5.1 实验设置 | 第35-36页 |
| 3.5.2 实验结果 | 第36-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 基于主题模型的微博话题发现方法 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 方法描述 | 第41-42页 |
| 4.3 文本预处理 | 第42-46页 |
| 4.3.1 微博影响力计算 | 第43-44页 |
| 4.3.2 中文分词 | 第44-45页 |
| 4.3.3 词性标注 | 第45页 |
| 4.3.4 停用词过滤 | 第45页 |
| 4.3.5 其他预处理操作 | 第45-46页 |
| 4.4 主题模型建模 | 第46-47页 |
| 4.4.1 构造词汇-文档矩阵 | 第46页 |
| 4.4.2 主题模型建模 | 第46-47页 |
| 4.5 聚类算法 | 第47-49页 |
| 4.5.1 距离度量方法 | 第47-48页 |
| 4.5.2 k-均值聚类 | 第48页 |
| 4.5.3 层次聚类 | 第48-49页 |
| 4.6 实验设置和结果 | 第49-51页 |
| 4.6.1 实验设置 | 第49页 |
| 4.6.2 实验结果 | 第49-51页 |
| 4.7 本章小结 | 第51-53页 |
| 5 基于融合知识主题模型的微博话题发现展示系统 | 第53-58页 |
| 5.1 基于融合知识主题模型的微博话题发现系统介绍 | 第53-55页 |
| 5.1.1 系统实现工具介绍 | 第53页 |
| 5.1.2 系统设计架构图 | 第53-54页 |
| 5.1.3 应用场景处理流程 | 第54-55页 |
| 5.2 基于融合知识主题模型的微博话题发现系统展示 | 第55-57页 |
| 5.2.1 系统界面及微博文本展示 | 第55页 |
| 5.2.2 预处理结果展示 | 第55-56页 |
| 5.2.3 微博话题展示 | 第56-57页 |
| 5.2.4 话题相关微博展示 | 第57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 作总结 | 第58页 |
| 6.2 作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 附录 | 第67页 |