| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 相关理论与研究方法 | 第17-31页 |
| 2.1 话题检测和追踪基本理论 | 第17页 |
| 2.2 文本表示 | 第17-18页 |
| 2.2.1 向量空间模型 | 第18页 |
| 2.2.2 布尔模型 | 第18页 |
| 2.3 文本预处理 | 第18-20页 |
| 2.3.1 文本分词 | 第18-19页 |
| 2.3.2 特征提取 | 第19-20页 |
| 2.4 文本相似度 | 第20-21页 |
| 2.5 概率主题模型 | 第21-27页 |
| 2.5.1 朴素贝叶斯算法 | 第22-23页 |
| 2.5.2 潜在语义分析 | 第23页 |
| 2.5.3 概率潜在语义分析 | 第23-24页 |
| 2.5.4 LDA模型简介 | 第24-26页 |
| 2.5.5 基于多层次的话题表示模型 | 第26-27页 |
| 2.6 常用的聚类算法 | 第27-29页 |
| 2.6.1 K-Means算法 | 第27页 |
| 2.6.2 层次聚类算法 | 第27-28页 |
| 2.6.3 Single-Pass算法 | 第28-29页 |
| 2.7 全生命周期模型 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 面向热点话题的舆情演化分析方法研究 | 第31-47页 |
| 3.1 存在问题及思路 | 第31-32页 |
| 3.2 热点话题评估 | 第32-33页 |
| 3.2.1 话题媒体关注度 | 第32-33页 |
| 3.2.2 话题用户关注度 | 第33页 |
| 3.2.3 热点话题的复合关注度 | 第33页 |
| 3.3 ELDA主题模型 | 第33-37页 |
| 3.3.1 ELDA主题模型的Gibbs采样算法 | 第35-36页 |
| 3.3.2 动态主题数K的获取 | 第36-37页 |
| 3.4 基于Single-Pass聚类算法的子话题识别 | 第37-39页 |
| 3.4.1 双向量选择及话题簇代表 | 第37-38页 |
| 3.4.2 基于Single-Pass聚类算法的改进 | 第38-39页 |
| 3.5 基于ELDA-FTR-SP的热点话题演化方法 | 第39-46页 |
| 3.5.1 基于时间属性的特征词提取方法 | 第39-41页 |
| 3.5.2 混合相似度计算方法 | 第41-42页 |
| 3.5.3 ELDA-FTR-SP热点话题演化方法 | 第42-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 实验设计及结果分析 | 第47-63页 |
| 4.1 实验设计及结果分析 | 第47-57页 |
| 4.1.1 实验环境 | 第47页 |
| 4.1.2 热点话题发现 | 第47-48页 |
| 4.1.3 ELDA主题模型建模 | 第48-49页 |
| 4.1.4 话题评价标准 | 第49-50页 |
| 4.1.5 子话题识别 | 第50-52页 |
| 4.1.6 相似度平衡因子ε确定 | 第52-53页 |
| 4.1.7 子话题识别结果分析 | 第53-57页 |
| 4.2 基于时序的热点话题的演化分析 | 第57-61页 |
| 4.2.1 话题内容的迁移演化分析 | 第57-59页 |
| 4.2.2 话题发展走势分析 | 第59-61页 |
| 4.3 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
