基于主题模型的微博主题挖掘及预测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究内容 | 第10页 |
| 1.4 本文组织结构 | 第10-11页 |
| 1.5 本章小结 | 第11-12页 |
| 第2章 微博主题挖掘相关理论 | 第12-20页 |
| 2.1 微博定义 | 第12页 |
| 2.2 文本挖掘相关理论基础 | 第12-13页 |
| 2.3 概率主题模型介绍 | 第13-18页 |
| 2.4 微博主题挖掘及预测总体流程 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第3章 基于HMM与LDA模型的微博主题挖掘 | 第20-28页 |
| 3.1 隐马尔可夫模型 | 第20-23页 |
| 3.1.1 HMM的基本理论 | 第20-21页 |
| 3.1.2 HMM的三个问题及相关算法 | 第21-23页 |
| 3.2 MB-HL模型的提出 | 第23-24页 |
| 3.3 MB-HL微博主题模型 | 第24-27页 |
| 3.3.1 MB-HL模型构建方法 | 第25-26页 |
| 3.3.2 MB-HL模型的算法生成 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 基于深度学习的微博主题挖掘 | 第28-42页 |
| 4.1 深度神经网络的主题挖掘方法的基础 | 第28页 |
| 4.2 词嵌入模型 | 第28-30页 |
| 4.3 文档语义编码 | 第30-35页 |
| 4.3.1 文档语义级别 | 第30-31页 |
| 4.3.2 循环神经网络和LSTM网络 | 第31-35页 |
| 4.4 DMB-HL微博主题模型 | 第35-41页 |
| 4.4.1 DMB-HL模型的介绍 | 第35-36页 |
| 4.4.2 DMB-HL模型的生成步骤 | 第36-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 实现结果与分析 | 第42-51页 |
| 5.1 实验数据及预处理 | 第42页 |
| 5.2 实验环境 | 第42页 |
| 5.3 MB-HL微博主题模型评估 | 第42-46页 |
| 5.3.1 模型挖掘有效性对比分析 | 第43-45页 |
| 5.3.2 模型复杂度对比分析 | 第45-46页 |
| 5.4 DMB-HL微博主题模型评估 | 第46-50页 |
| 5.4.1 主题语义连贯性评价 | 第46-48页 |
| 5.4.2 文本分类效果评价 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-52页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-59页 |
| 作者简介 | 第59-60页 |
| 攻读学位期间发表的学术论文目录 | 第60页 |
