| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于社交平台的短文本预处理 | 第11页 |
| 1.2.2 基于社交媒体数据的社交关系分析 | 第11-12页 |
| 1.2.3 基于社交媒体数据的话题检测 | 第12-13页 |
| 1.2.4 文本OLAP分析 | 第13-14页 |
| 1.3 本文研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 相关理论基础 | 第16-31页 |
| 2.1 文本表示和建模 | 第16-23页 |
| 2.1.1 向量空间模型 | 第16页 |
| 2.1.2 潜在语义分析(LSA) | 第16-17页 |
| 2.1.3 概率潜在语义分析(PLSA) | 第17-20页 |
| 2.1.4 隐含狄利克雷分布(LDA) | 第20-21页 |
| 2.1.5 层次隐含狄利克雷分布(hLDA) | 第21-23页 |
| 2.2 在线分析处理(OLAP) | 第23-28页 |
| 2.2.1 OLAP相关概念 | 第23-25页 |
| 2.2.2 典型OLAP操作 | 第25-27页 |
| 2.2.3 多维数据模型 | 第27-28页 |
| 2.3 Word2Vec | 第28-30页 |
| 2.3.1 词向量 | 第29页 |
| 2.3.2 CBOW模型和Skip-Gram模型 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 社交短文本数据预处理方法研究 | 第31-48页 |
| 3.1 推特数据定义 | 第31-32页 |
| 3.2 基于短文本聚类分析的单词加权算法 | 第32-39页 |
| 3.2.1 结合语义分析和K-medoids的短文本自适应聚类算法 | 第34-37页 |
| 3.2.2 基于聚类信息的短文本单词加权算法 | 第37-39页 |
| 3.3 基于LDA和加权词图模型的单词评分算法 | 第39-45页 |
| 3.3.1 构建加权词图 | 第39-40页 |
| 3.3.2 改进的单词评分转移机制 | 第40-44页 |
| 3.3.3 单词评分 | 第44-45页 |
| 3.4 结合推文热度属性和单词评分的推文数据清洗方法 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 支持OLAP分析的社交数据层次化主题建模方法 | 第48-61页 |
| 4.1 推特数据分析 | 第48-50页 |
| 4.2 多维数据模型构建 | 第50-51页 |
| 4.3 基于thLDA模型的社交数据主题维层次自动提取方法 | 第51-60页 |
| 4.3.1 面向推特数据的文本建模 | 第51-53页 |
| 4.3.2 thLDA模型 | 第53-54页 |
| 4.3.3 thLDA推导 | 第54-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 实验分析 | 第61-76页 |
| 5.1 数据集和实验环境 | 第61页 |
| 5.2 社交短文本预处理方法评估 | 第61-67页 |
| 5.2.1 基于LDA和加权词图模型的单词评分算法实验评估 | 第63-64页 |
| 5.2.2 基于短文本聚类分析的单词加权算法实验评估 | 第64-65页 |
| 5.2.3 结合热度属性和单词评分的推文数据清洗方法实验评估 | 第65-67页 |
| 5.3 thLDA模型评估 | 第67-73页 |
| 5.3.1 PMI-Score指标评估 | 第67-69页 |
| 5.3.2 困惑度指标评价 | 第69-70页 |
| 5.3.3 thLDA主题建模结果展示 | 第70-73页 |
| 5.4 OLAP分析效果 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76-77页 |
| 6.2 未来展望 | 第77-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 附录 | 第85-86页 |
| 详细摘要 | 第86-88页 |
