| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 微博相关数据研究概述 | 第10-11页 |
| 1.2.2 文本事件主题提取研究概述 | 第11页 |
| 1.2.3 中文地名地址提取研究概述 | 第11-13页 |
| 1.2.4 空间定位研究现状 | 第13-14页 |
| 1.3 研究内容及论文体系 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 论文体系 | 第15页 |
| 1.3.3 特点与难点 | 第15-17页 |
| 2 基于微博数据的地震灾害事件提取与时空分析概念框架 | 第17-23页 |
| 2.1 概念框架 | 第17-18页 |
| 2.2 基于社交媒体的灾害事件分类体系 | 第18-21页 |
| 2.2.1 突发公共事件分类体系 | 第18页 |
| 2.2.2 地震灾害类事件信息分类 | 第18-19页 |
| 2.2.3 社交媒体地震灾害事件分类 | 第19-21页 |
| 2.3 面向微博的灾害类事件信息获取与主题分类 | 第21页 |
| 2.4 中文地名地址提取与空间定位 | 第21-22页 |
| 2.5 微博灾害事件时空分析 | 第22-23页 |
| 3 面向微博的灾害事件信息获取与主题分类 | 第23-46页 |
| 3.1 微博灾害类事件信息获取 | 第23-28页 |
| 3.1.1 微博数据结构分析 | 第23-24页 |
| 3.1.2 微博网站数据分析 | 第24-25页 |
| 3.1.3 浅层微博网站数据抓取的方法 | 第25-28页 |
| 3.2 候选文本主题模型提取算法 | 第28-30页 |
| 3.3 候选文本主题分类算法 | 第30-33页 |
| 3.4 灾害类主题SVM分类特征构建 | 第33-42页 |
| 3.4.1 样本选取与预处理 | 第33-35页 |
| 3.4.2 基于LDA的主题特征词提取 | 第35-40页 |
| 3.4.3 灾害类主题SVM特征向量训练与构建 | 第40-42页 |
| 3.5 SVM文本分类算法 | 第42-44页 |
| 3.5.1 面向微博文本的VSM(向量空间模型)特征提取 | 第42页 |
| 3.5.2 特征向量相似度计算 | 第42-44页 |
| 3.5.3 灾害类微博文本的实时分类 | 第44页 |
| 3.6 实验验证 | 第44-46页 |
| 4 灾害事件中文本地名地址提取与空间定位 | 第46-54页 |
| 4.1 基于前置后缀词特征词分析与构建 | 第46-47页 |
| 4.1.1 前置后缀特征词分析 | 第46-47页 |
| 4.1.2 面向微博灾害事件的人机结合的前置后缀特征词库构建 | 第47页 |
| 4.2 基于前置后缀词与规则相结合的中文地名提取 | 第47-50页 |
| 4.2.1 基于前置后缀词的地名地址切分初步提取 | 第48页 |
| 4.2.2 基于行政区划库数据的地址匹配过滤 | 第48-49页 |
| 4.2.3 基于规则的候选地名地址添加 | 第49页 |
| 4.2.4 地名地址标准化处理 | 第49-50页 |
| 4.3 结合多种开源地理编码API的灾害事件空间定位 | 第50-52页 |
| 4.3.1 基于网络地理编码API的空间定位 | 第50-51页 |
| 4.3.2 不同坐标投影的空间位置转换 | 第51-52页 |
| 4.4 实验验证 | 第52-54页 |
| 5 基于社交媒体的应急突发事件时空分析 | 第54-62页 |
| 5.1 事件趋势分析 | 第54-56页 |
| 5.1.1 时间趋势分析 | 第54-55页 |
| 5.1.2 主题趋势 | 第55-56页 |
| 5.2 探寻空间分布模式 | 第56-62页 |
| 5.2.1 发现地震灾害事件空间分布 | 第56-57页 |
| 5.2.2 不同主题下微博的空间分布 | 第57-62页 |
| 结论 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读学位期间的研究成果 | 第67页 |
