基于社交媒体的短文本数据挖掘研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 相关研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 相关技术与理论 | 第14-22页 |
| 2.1 文本表达 | 第14-19页 |
| 2.1.1 向量空间模型 | 第14-15页 |
| 2.1.2 One-hot表示 | 第15-16页 |
| 2.1.3 分布式表示 | 第16-17页 |
| 2.1.4 Word2vec模型 | 第17-19页 |
| 2.2 文本挖掘相关任务介绍 | 第19-21页 |
| 2.2.1 特征提取概述 | 第19-20页 |
| 2.2.2 文本分类概述 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 面向社交媒体的短文本特征提取算法 | 第22-40页 |
| 3.1 概述 | 第22页 |
| 3.2 TextRank关键词提取算法 | 第22-24页 |
| 3.2.1 PageRank算法 | 第22-23页 |
| 3.2.2 TextRank算法 | 第23-24页 |
| 3.3 短文本特征提取算法的改进 | 第24-29页 |
| 3.3.1 候选特征词集抽取 | 第25-27页 |
| 3.3.2 W-TextRank特征提取算法 | 第27-29页 |
| 3.4 实验分析 | 第29-33页 |
| 3.4.1 数据集介绍 | 第29-30页 |
| 3.4.2 实验过程 | 第30页 |
| 3.4.3 基准方法 | 第30-31页 |
| 3.4.4 评价指标介绍 | 第31页 |
| 3.4.5 实验结果及分析 | 第31-33页 |
| 3.5 特征提取在用户画像上的应用 | 第33-39页 |
| 3.5.1 用户画像概述 | 第33-34页 |
| 3.5.2 用户画像的应用分析 | 第34-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于词向量的社交媒体短文本分类算法 | 第40-53页 |
| 4.1 概述 | 第40页 |
| 4.2 CBOW模型和Skip-gram模型 | 第40-42页 |
| 4.3 基于词序的词向量模型 | 第42-44页 |
| 4.4 卷积神经网络(CNN)在文本分类中的应用 | 第44-47页 |
| 4.4.1 传统CNN模型 | 第44-45页 |
| 4.4.2 基于卷积神经网络的文本分类 | 第45页 |
| 4.4.3 基于词向量的文本分类模型 | 第45-47页 |
| 4.5 实验分析 | 第47-52页 |
| 4.5.1 数据集与评价指标 | 第47-48页 |
| 4.5.2 基准算法 | 第48页 |
| 4.5.3 实验设计 | 第48-49页 |
| 4.5.4 实验结果及分析 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 发表论文和科研情况说明 | 第59-60页 |
| 致谢 | 第60页 |
