| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 用户兴趣挖掘 | 第9-10页 |
| 1.2.2 文本OLAP | 第10-11页 |
| 1.2.3 社交文本预处理 | 第11页 |
| 1.3 本文研究内容及主要工作 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 第二章 相关理论基础 | 第13-23页 |
| 2.1 OLAP相关技术 | 第13-20页 |
| 2.1.1 OLAP的特性 | 第13-14页 |
| 2.1.2 OLAP的逻辑概念 | 第14-15页 |
| 2.1.3 OLAP的基本操作 | 第15-16页 |
| 2.1.4 OLAP的分类 | 第16-17页 |
| 2.1.5 数据仓库及其数据模型 | 第17-20页 |
| 2.2 隐含狄利克雷分布 | 第20-21页 |
| 2.3 Word2Vec | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 面向推特用户兴趣的推文数据清洗方法研究 | 第23-33页 |
| 3.1 推文的特性 | 第23页 |
| 3.2 基于多特征融合的推文数据清洗方法 | 第23-32页 |
| 3.2.1 相关定义 | 第24-25页 |
| 3.2.2 基于文本特征的评分计算 | 第25-29页 |
| 3.2.3 推文社会价值计算 | 第29页 |
| 3.2.4 话题相关度计算 | 第29-30页 |
| 3.2.5 多特征融合 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 支持OLAP的推特用户兴趣维层次提取方法 | 第33-43页 |
| 4.1 相关定义 | 第33-34页 |
| 4.2 数据建模 | 第34-35页 |
| 4.3 整体流程 | 第35-36页 |
| 4.4 基于MS-LDA的兴趣维层次提取及构建方法 | 第36-42页 |
| 4.4.1 MS-LDA模型描述 | 第36-38页 |
| 4.4.2 MS-LDA推导 | 第38-41页 |
| 4.4.3 用户兴趣维层次构建 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 实验分析 | 第43-56页 |
| 5.1 数据集和实验环境 | 第43-45页 |
| 5.2 数据清洗方法评估 | 第45-47页 |
| 5.2.1 数据清洗结果分析 | 第45-46页 |
| 5.2.2 数据清洗方法的多特征作用分析 | 第46页 |
| 5.2.3 识别效果展示 | 第46-47页 |
| 5.3 兴趣维层次提取方法评估 | 第47-51页 |
| 5.3.1 子兴趣识别结果分析 | 第47-49页 |
| 5.3.2 兴趣识别效果展示 | 第49-50页 |
| 5.3.3 MS-LDA模型可扩展性评估 | 第50-51页 |
| 5.4 整体效果 | 第51-54页 |
| 5.5 用户社交关系分析 | 第54-55页 |
| 5.6 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 未来展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63-64页 |
| 详细摘要 | 第64-66页 |