| 中文摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12页 |
| 1.3 研究问题及研究方法 | 第12-14页 |
| 1.4 论文组织结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 相关理论与技术概述 | 第15-25页 |
| 2.1 文本主题挖掘流程介绍 | 第15-16页 |
| 2.1.1 网络文本爬虫技术 | 第15页 |
| 2.1.2 文本清洗和预处理技术 | 第15-16页 |
| 2.2 文本表示模型 | 第16-21页 |
| 2.2.1 向量空间模型(VSM) | 第16-17页 |
| 2.2.2 文本主题模型(Topic Model) | 第17-21页 |
| 2.2.3 神经网络语言模型—词向量(word2vec)模型 | 第21页 |
| 2.3 文本聚类算法 | 第21-22页 |
| 2.4 文本相似度计算 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于V_LDA模型的文本聚类研究 | 第25-37页 |
| 3.1 基于V_LDA模型的网络文本建模 | 第25-27页 |
| 3.2 实验验证 | 第27-33页 |
| 3.3 实验评价指标 | 第33-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 结合词向量和LDA模型的文本聚类研究与应用 | 第37-45页 |
| 4.1 基于词向量和LDA模型的文本聚类研究 | 第37-39页 |
| 4.1.1 基于LDA主题和词向量模型构建 | 第37-39页 |
| 4.1.2 算法流程 | 第39页 |
| 4.2 实验验证 | 第39-43页 |
| 4.3 本章小结 | 第43-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士期间取得的研究成果 | 第50-51页 |
| 致谢 | 第51-52页 |
| 个人简况及联系方式 | 第52-54页 |
