首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

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

论文共60页,点击 下载论文
上一篇:访客管理系统设计与实现
下一篇:校园电子商务系统的设计与实现