| 摘要 | 第11-14页 |
| Abstract | 第14-16页 |
| 第一章 绪论 | 第17-33页 |
| 1.1 研究背景 | 第17-21页 |
| 1.1.1 社交媒体 | 第17-19页 |
| 1.1.2 热点事件 | 第19-21页 |
| 1.2 相关工作 | 第21-27页 |
| 1.2.1 社交网络分析 | 第21-23页 |
| 1.2.2 热点识别与追踪 | 第23-25页 |
| 1.2.3 深度学习算法 | 第25-27页 |
| 1.3 本文的工作 | 第27-30页 |
| 1.3.1 研究内容及方法 | 第27-29页 |
| 1.3.2 主要贡献 | 第29-30页 |
| 1.4 论文组织结构 | 第30-33页 |
| 第二章 Twitter社交关系及信息传播分析 | 第33-50页 |
| 2.1 用户信息抽取 | 第33-37页 |
| 2.1.1 Twitter简介 | 第33-35页 |
| 2.1.2 个体属性 | 第35-37页 |
| 2.1.3 社会属性 | 第37页 |
| 2.2 社交关系分析 | 第37-43页 |
| 2.2.1 社交关系与网络结构 | 第37-39页 |
| 2.2.2 转发行为的潜在影响因素 | 第39-40页 |
| 2.2.3 影响因素分析实验及讨论 | 第40-43页 |
| 2.3 信息传播时空模式分析 | 第43-48页 |
| 2.3.1 信息传播的时间模式 | 第43-44页 |
| 2.3.2 信息传播的空间模式 | 第44-46页 |
| 2.3.3 时空间隔分析 | 第46-48页 |
| 2.4 本章小结 | 第48-50页 |
| 第三章 基于信息时空传播分析的热点事件检测 | 第50-64页 |
| 3.1 社交媒体中的热点事件 | 第50-52页 |
| 3.1.1 社交媒体的现实性 | 第50页 |
| 3.1.2 热点的定义及分类 | 第50-51页 |
| 3.1.3 非特定类型热点事件检测 | 第51-52页 |
| 3.2 基于地理的信息传播 | 第52-56页 |
| 3.2.1 Twitter中的地理信息 | 第52-54页 |
| 3.2.2 发现信息洋流现象 | 第54-55页 |
| 3.2.3 信息洋流的潜在应用价值 | 第55-56页 |
| 3.3 从信息洋流中检测热点事件 | 第56-63页 |
| 3.3.1 基于异常检测发现热点事件 | 第56-58页 |
| 3.3.2 使用Retweet抽取事件内容 | 第58-62页 |
| 3.3.3 存在的问题及改进途径 | 第62-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第四章 基于词向量语义聚类的热点内容抽取 | 第64-82页 |
| 4.1 问题描述与框架 | 第64-68页 |
| 4.1.1 问题归纳与描述 | 第64-65页 |
| 4.1.2 词向量语义聚类框架 | 第65-66页 |
| 4.1.3 词嵌入技术简介 | 第66-68页 |
| 4.2 基于词向量聚类抽取热点内容 | 第68-73页 |
| 4.2.1 训练词向量模型 | 第68-69页 |
| 4.2.2 基于单词聚类抽取热点 | 第69-71页 |
| 4.2.3 基于消息聚类抽取热点 | 第71页 |
| 4.2.4 抽取关联消息及关键词 | 第71-73页 |
| 4.3 实验结果及分析 | 第73-80页 |
| 4.3.1 实验设置 | 第73-74页 |
| 4.3.2 基于词向量的聚类结果展示 | 第74-76页 |
| 4.3.3 关键词抽取定量分析 | 第76-78页 |
| 4.3.4 稠密集上的消息聚类结果 | 第78-80页 |
| 4.4 本章小结 | 第80-82页 |
| 第五章 基于深度学习算法的热点追踪 | 第82-107页 |
| 5.1 问题描述与框架 | 第82-85页 |
| 5.1.1 问题归纳与描述 | 第82-83页 |
| 5.1.2 基于DBN的热点追踪框架 | 第83-84页 |
| 5.1.3 DBN学习算法简介 | 第84-85页 |
| 5.2 基于DBN的热点追踪方法 | 第85-89页 |
| 5.2.1 Tweet消息的向量表示 | 第85-87页 |
| 5.2.2 使用DBN模型追踪关联消息 | 第87-88页 |
| 5.2.3 基于语义关联度更新关键词 | 第88-89页 |
| 5.3 实验结果及分析 | 第89-106页 |
| 5.3.1 实验设置 | 第90页 |
| 5.3.2 DBN模型在热点追踪中的效果 | 第90-92页 |
| 5.3.3 DBN模型的参数调节 | 第92-96页 |
| 5.3.4 词向量模型的效果 | 第96-98页 |
| 5.3.5 稠密集上词向量格式的影响 | 第98-102页 |
| 5.3.6 词向量模型的参数调节 | 第102-106页 |
| 5.4 本章小结 | 第106-107页 |
| 第六章 面向热点发现与追踪的自适应统计神经网络模型 | 第107-128页 |
| 6.1 自适应统计神经网络的动机 | 第107-111页 |
| 6.1.1 传统神经网络模型的局限性 | 第107-108页 |
| 6.1.2 生物神经网络提供的借鉴 | 第108-109页 |
| 6.1.3 新模型的解决思路 | 第109-111页 |
| 6.2 自适应统计神经网络模型及其应用 | 第111-121页 |
| 6.2.1 ASNN模型的前提及假设 | 第111-115页 |
| 6.2.2 自适应统计神经网络模型 | 第115-118页 |
| 6.2.3 增量式无监督学习算法 | 第118-119页 |
| 6.2.4 在热点发现与追踪中的应用 | 第119-121页 |
| 6.3 实验结果与分析 | 第121-126页 |
| 6.3.1 实验环境设置 | 第122页 |
| 6.3.2 经典数据集上的实验 | 第122-124页 |
| 6.3.3 热点发现与追踪实验 | 第124-126页 |
| 6.4 本章小结 | 第126-128页 |
| 第七章 结论与展望 | 第128-131页 |
| 7.1 工作总结 | 第128-129页 |
| 7.2 未来展望 | 第129-131页 |
| 致谢 | 第131-132页 |
| 参考文献 | 第132-141页 |
| 作者在学习期间取得的学术成果 | 第141-142页 |
| 作者在学习期间参与的科研项目 | 第142页 |