| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 论文研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 话题的特征提取与表示 | 第12-13页 |
| 1.2.2 话题聚类 | 第13-14页 |
| 1.2.3 突发话题检测 | 第14-16页 |
| 1.2.4 发展态势 | 第16页 |
| 1.3 论文的主要研究内容 | 第16-18页 |
| 1.4 论文的创新点 | 第18页 |
| 1.5 论文的组织结构 | 第18-20页 |
| 第二章 相关理论与技术 | 第20-32页 |
| 2.1 数据预处理 | 第20-24页 |
| 2.1.1 分词 | 第20-21页 |
| 2.1.2 命名实体识别 | 第21页 |
| 2.1.3 频繁模式发现算法 | 第21-24页 |
| 2.2 文本特征词提取与表示 | 第24-28页 |
| 2.2.1 特征提取TF-IDF算法 | 第25页 |
| 2.2.2 文本表示模型 | 第25-27页 |
| 2.2.3 文本相似度度量 | 第27-28页 |
| 2.3 话题检测技术 | 第28-31页 |
| 2.3.1 文本聚类算法 | 第29-30页 |
| 2.3.2 概率主题模型—LDA | 第30页 |
| 2.3.3 社团划分算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 可变长文本的图结构模型 | 第32-42页 |
| 3.1 基于WORD2VEC的主题爬虫算法 | 第33-36页 |
| 3.2 话题关键词选取与特征提取 | 第36-39页 |
| 3.2.1 有意义串识别 | 第36-37页 |
| 3.2.2 话题关键词选取 | 第37-38页 |
| 3.2.3 特征提取 | 第38-39页 |
| 3.3 可变长文本的话题网络构建 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 话题聚类与突发话题检测 | 第42-51页 |
| 4.1 话题聚类 | 第42-44页 |
| 4.1.1 大规模网络社团发现算法——Blondel算法 | 第42-44页 |
| 4.1.2 话题热度计算 | 第44页 |
| 4.2 突发词和重要词 | 第44-46页 |
| 4.3 基于图结构模型的突发话题检测 | 第46-50页 |
| 4.3.1 图生成阶段 | 第47-48页 |
| 4.3.2 图剪枝-聚类阶段 | 第48-49页 |
| 4.3.3 话题检测阶段 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 实验结果与分析 | 第51-69页 |
| 5.1 开发环境说明 | 第51页 |
| 5.2 实验数据集 | 第51-55页 |
| 5.2.1 面向食药安全主题的数据集 | 第51-54页 |
| 5.2.2 突发事件语料库—CEC | 第54-55页 |
| 5.3 食药安全主题爬虫算法实验与分析 | 第55-56页 |
| 5.4 特征提取实验与分析 | 第56-59页 |
| 5.4.1 话题关键词选取实验 | 第56-57页 |
| 5.4.2 特征提取实验 | 第57-59页 |
| 5.5 基于图结构模型的话题检测实验与分析 | 第59-65页 |
| 5.5.1 话题检测评测指标 | 第60页 |
| 5.5.2 话题检测效果与对比实验 | 第60-65页 |
| 5.6 基于图结构模型的突发话题检测实验与分析 | 第65-68页 |
| 5.6.1 突发话题评测指标 | 第65-66页 |
| 5.6.2 实验参数取值讨论 | 第66-67页 |
| 5.6.3 突发话题检测效果与实验对比 | 第67-68页 |
| 5.7 本章小结 | 第68-69页 |
| 第六章 结论与展望 | 第69-71页 |
| 6.1 结论 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |