| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 论文的主要内容及组织结构 | 第11-12页 |
| 第二章 相关理论及技术 | 第12-22页 |
| 2.1 新浪微博的爬取 | 第12-13页 |
| 2.2 文本的预处理 | 第13-16页 |
| 2.2.1 分词工具介绍 | 第14-15页 |
| 2.2.2 去除停用词 | 第15-16页 |
| 2.3 文档的表示 | 第16-21页 |
| 2.3.1 向量空间模型(VSM) | 第16页 |
| 2.3.2 一元混合模型 | 第16-18页 |
| 2.3.3 隐含语义索引(LSI) | 第18页 |
| 2.3.4 概率隐性语义索引(PLSI) | 第18-19页 |
| 2.3.5 隐含迪里克雷分布(LDA) | 第19-20页 |
| 2.3.6 Biterm Topic Model(BTM) | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 微博的趋势预测 | 第22-56页 |
| 3.1 预测模型介绍 | 第22-35页 |
| 3.1.1 微分方程模型 | 第22-23页 |
| 3.1.2 灰色预测模型 | 第23-25页 |
| 3.1.3 差分方程预测模型 | 第25-26页 |
| 3.1.4 马尔科夫预测模型 | 第26-27页 |
| 3.1.5 时间序列模型 | 第27-29页 |
| 3.1.6 回归分析预测方法 | 第29-35页 |
| 3.2 预测模型精确度衡量指标 | 第35-36页 |
| 3.3 建立微博预测模型 | 第36-49页 |
| 3.3.1 预测对象分析 | 第36-37页 |
| 3.3.2 微博每日在线人数分布分析 | 第37-40页 |
| 3.3.3 微博作者的影响力分析 | 第40-41页 |
| 3.3.4 微博的长期趋势 | 第41-47页 |
| 3.3.5 模型构建 | 第47-48页 |
| 3.3.6 微博热度评判 | 第48-49页 |
| 3.4 实验分析 | 第49-56页 |
| 3.4.1 确定热度阈值 | 第49-50页 |
| 3.4.2 测试预测模型准确度 | 第50-56页 |
| 第四章 基于聚类的相关微博发现 | 第56-74页 |
| 4.1 聚类算法介绍 | 第56-58页 |
| 4.1.1 划分法 | 第56-57页 |
| 4.1.2 层次法 | 第57页 |
| 4.1.3 基于密度的方法 | 第57-58页 |
| 4.1.4 基于网格的方法 | 第58页 |
| 4.1.5 基于模型的方法 | 第58页 |
| 4.2 文档相似度计算公式 | 第58-59页 |
| 4.3 聚类算法的评估体系 | 第59-60页 |
| 4.4 Threshold-means聚类算法 | 第60-62页 |
| 4.4.1 基本定义 | 第60页 |
| 4.4.2 算法的基本思想 | 第60-62页 |
| 4.5 相关微博的发现 | 第62-63页 |
| 4.6 实验分析 | 第63-73页 |
| 4.6.1 实验数据的预处理 | 第64-67页 |
| 4.6.2 确定主题数 | 第67-68页 |
| 4.6.3 确定阈值r | 第68-69页 |
| 4.6.4 与k-means的对比 | 第69-71页 |
| 4.6.5 BTM与LDA模型的对比 | 第71-73页 |
| 4.7 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 对未来的展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80页 |