基于主题的文本挖掘及可视化系统研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-20页 |
| 1.2.1 主题分类技术研究现状 | 第17-18页 |
| 1.2.2 大数据处理技术现状 | 第18-20页 |
| 1.3 论文研究内容与创新点 | 第20-21页 |
| 1.4 论文组织结构 | 第21-24页 |
| 第二章 数据采集与预处理技术 | 第24-32页 |
| 2.1 数据爬虫 | 第24-27页 |
| 2.1.1 定向爬虫 | 第24-26页 |
| 2.1.2 网页信息提取 | 第26-27页 |
| 2.1.3 数据持久化 | 第27页 |
| 2.2 文本预处理 | 第27-29页 |
| 2.2.1 中文分词 | 第28-29页 |
| 2.2.2 噪声过滤 | 第29页 |
| 2.3 数据表示模型 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 主题分类算法研究 | 第32-48页 |
| 3.1 文本分类 | 第32-36页 |
| 3.1.1 TF-IDF算法 | 第33页 |
| 3.1.2 TextRank算法 | 第33-34页 |
| 3.1.3 余弦相似性 | 第34-35页 |
| 3.1.4 K-means算法 | 第35-36页 |
| 3.2 主题分类 | 第36-39页 |
| 3.2.1 浅层语义分析算法 | 第37-38页 |
| 3.2.2 概念浅层语义分析算法 | 第38-39页 |
| 3.3 隐含狄利克雷分布算法 | 第39-44页 |
| 3.3.1 LDA中的概率分布 | 第39-40页 |
| 3.3.2 文档生成过程 | 第40-42页 |
| 3.3.3 LDA模型 | 第42-44页 |
| 3.4 改进主题分类算法 | 第44-46页 |
| 3.5 实验设计与算法对比 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 主题分类的实际应用 | 第48-60页 |
| 4.1 系统架构设计概述 | 第48-52页 |
| 4.1.1 数据库结构简述 | 第49-50页 |
| 4.1.2 爬虫组件设计 | 第50-51页 |
| 4.1.3 数据预处理组件设计 | 第51页 |
| 4.1.4 主题分类算法组件设计 | 第51-52页 |
| 4.2 数据可视化与分析 | 第52-55页 |
| 4.2.1 数据可视化概述 | 第52-54页 |
| 4.2.2 可视化分析 | 第54-55页 |
| 4.3 Web展示系统 | 第55-58页 |
| 4.3.1 Django框架 | 第56-57页 |
| 4.3.2 系统开发概述 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 大数据下的主题分类应用 | 第60-76页 |
| 5.1 大数据技术与Hadoop | 第60-64页 |
| 5.1.1 分布式存储HDFS | 第61-62页 |
| 5.1.2 分布式计算MapReduce | 第62-64页 |
| 5.2 大数据处理系统 | 第64-69页 |
| 5.2.1 集群搭建 | 第65-67页 |
| 5.2.2 词频统计 | 第67-69页 |
| 5.3 主题算法的分布式研究 | 第69-73页 |
| 5.3.1 TF-IDF算法分布式化 | 第70-72页 |
| 5.3.2 LDA算法分布式化 | 第72-73页 |
| 5.4 本章小结 | 第73-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 作者简介 | 第84-85页 |
