基于主题模型和社区发现的微博热点事件检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第2章 相关概念及技术概述 | 第15-26页 |
| 2.1 文档表示模型 | 第15-16页 |
| 2.1.1 向量空间模型 | 第15页 |
| 2.1.2 统计语言模型 | 第15-16页 |
| 2.2 主题模型 | 第16-20页 |
| 2.2.1 LSI模型 | 第16-17页 |
| 2.2.2 PLSI模型 | 第17-18页 |
| 2.2.3 LDA模型 | 第18-20页 |
| 2.3 贝叶斯文本分类 | 第20-22页 |
| 2.3.1 朴素贝叶斯方法 | 第20-21页 |
| 2.3.2 PG贝叶斯方法 | 第21-22页 |
| 2.4 社区发现 | 第22-24页 |
| 2.4.1 社区模块度 | 第23页 |
| 2.4.2 鲁汶算法 | 第23-24页 |
| 2.5 图核 | 第24-25页 |
| 2.5.1 邻居哈希图核 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于主题模型和贝叶斯方法的静态事件检测 | 第26-35页 |
| 3.1 任务概述 | 第26-28页 |
| 3.2 Topic-Bayesian文本分类算法 | 第28-30页 |
| 3.2.1 主题信息获取 | 第28-29页 |
| 3.2.2 基于主题表述的文档分类 | 第29-30页 |
| 3.3 实验结果分析与评估 | 第30-34页 |
| 3.3.1 数据描述 | 第30-31页 |
| 3.3.2 参数设置 | 第31页 |
| 3.3.3 实验结果及评估 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于社区发现和图核计算的动态事件检测 | 第35-53页 |
| 4.1 任务概述 | 第35-37页 |
| 4.2 事件词的动态选取 | 第37-41页 |
| 4.2.1 事件词选取指标定义 | 第37-39页 |
| 4.2.2 事件词动态选取算法 | 第39-41页 |
| 4.3 基于社区发现的动态事件检测 | 第41-42页 |
| 4.3.1 事件社区发现 | 第41页 |
| 4.3.2 事件微博选取 | 第41-42页 |
| 4.4 基于图核计算的动态事件追踪 | 第42页 |
| 4.4.1 基于主题语义的比特数组标签编码方案 | 第42页 |
| 4.4.2 基于邻居哈希图核的动态事件社区匹配 | 第42页 |
| 4.5 实验结果与评估 | 第42-52页 |
| 4.5.1 实验数据集分析 | 第42-45页 |
| 4.5.2 实验过程及参数设置 | 第45-46页 |
| 4.5.3 实验结果及评估 | 第46-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 总结及展望 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间公开发表的论文 | 第57页 |
