| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 研究目的及意义 | 第10-11页 |
| 1.2 国内外相关技术研究现状 | 第11-13页 |
| 1.2.1 微博用户潜在兴趣挖掘研究现状 | 第11-12页 |
| 1.2.2 微博情感分析研究现状 | 第12-13页 |
| 1.3 本论文主要研究内容以及章节安排 | 第13-15页 |
| 1.3.1 本论文主要研究内容 | 第13-14页 |
| 1.3.2 本论文组织结构 | 第14-15页 |
| 第2章 微博用户潜在兴趣分析相关技术 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 微博用户潜在兴趣挖掘技术 | 第15-18页 |
| 2.2.1 基于关键词提取的用户兴趣挖掘 | 第15-17页 |
| 2.2.2 基于 Author_LDA 的用户兴趣挖掘 | 第17-18页 |
| 2.3 微博情感分析 | 第18-20页 |
| 2.3.1 情感信息抽取 | 第18-19页 |
| 2.3.2 微博情感分类 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 面向微博用户的潜在兴趣分析 | 第21-36页 |
| 3.1 引言 | 第21页 |
| 3.2 微博信息的特点 | 第21-22页 |
| 3.3 微博用户潜在兴趣挖掘 | 第22-26页 |
| 3.3.1 微博用户潜在兴趣 | 第22-24页 |
| 3.3.2 候选关键词特征的选取 | 第24页 |
| 3.3.3 基于 SVM 的潜在兴趣挖掘 | 第24-26页 |
| 3.4 基于主题模型的主题特征分析 | 第26-31页 |
| 3.4.1 简化的 Twitter_LDA 模型 | 第26-30页 |
| 3.4.2 SVM 主题特征的获取 | 第30-31页 |
| 3.5 微博用户潜在兴趣的情感分析 | 第31-35页 |
| 3.5.1 用户潜在兴趣情感分析的必要性 | 第31-32页 |
| 3.5.2 微博潜在兴趣情感分析方法 | 第32-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 实验结果及分析 | 第36-58页 |
| 4.1 引言 | 第36页 |
| 4.2 潜在兴趣分析框架 | 第36-38页 |
| 4.3 数据预处理 | 第38-39页 |
| 4.3.1 数据整理 | 第38页 |
| 4.3.2 中文分词 | 第38-39页 |
| 4.3.3 去停用词 | 第39页 |
| 4.3.4 去无用词性 | 第39页 |
| 4.4 数据描述 | 第39-40页 |
| 4.5 评价标准 | 第40-41页 |
| 4.6 潜在兴趣提取实验对比及结果分析 | 第41-52页 |
| 4.6.1 SVM 特征对实验结果的影响 | 第41-44页 |
| 4.6.2 不同兴趣词提取方法对比 | 第44-46页 |
| 4.6.3 本论文方法与现有方法的对比 | 第46-52页 |
| 4.7 潜在兴趣情感分析实验结果分析 | 第52-54页 |
| 4.8 微博用户潜在兴趣分析系统 | 第54-56页 |
| 4.8.1 系统整体介绍 | 第54页 |
| 4.8.2 用户界面设计 | 第54-56页 |
| 4.9 本章小结 | 第56-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士期间发表的论文 | 第63-65页 |
| 致谢 | 第65页 |