基于新型遗传算法的新媒体事件预警系统的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-18页 |
| ·研究的背景与意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状与发展趋势 | 第11-15页 |
| ·新型遗传算法的研究现状 | 第11-12页 |
| ·新媒体发展的研究现状 | 第12-13页 |
| ·网络舆论与危机传播的研究现状 | 第13-14页 |
| ·新媒体事件预警系统的研究现状 | 第14页 |
| ·发展趋势 | 第14-15页 |
| ·论文的研究内容、技术路线和研究方法 | 第15-17页 |
| ·研究内容及框架 | 第15页 |
| ·论文的技术路线 | 第15页 |
| ·研究方法 | 第15-17页 |
| ·创新点 | 第17页 |
| ·本章小结 | 第17-18页 |
| 第2章 新媒体事件相关理论 | 第18-35页 |
| ·新媒体事件的定义 | 第18-20页 |
| ·新旧媒体的界定 | 第18-19页 |
| ·新媒体的冲击 | 第19-20页 |
| ·新旧媒体的融合 | 第20-21页 |
| ·新媒体事件的特征 | 第21-24页 |
| ·新媒体事件的形成 | 第24-33页 |
| ·新媒体事件的参与主体 | 第24-27页 |
| ·新媒体传播的特点 | 第27-28页 |
| ·新媒体事件的成因 | 第28-30页 |
| ·新媒体事件的利弊区分及利弊相关性 | 第30-33页 |
| ·近期的国内重大新媒体事件 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 构建新媒体事件预警系统的技术框架 | 第35-43页 |
| ·预警系统信息的获取及预处理 | 第35-37页 |
| ·新媒体事件文本分词与挖掘 | 第37-39页 |
| ·新媒体事件文本中文分词 | 第37-38页 |
| ·新媒体事件信息的文本挖掘 | 第38-39页 |
| ·特征项的加权策略 | 第39-40页 |
| ·聚类的权重计算：词频加权法 | 第39页 |
| ·分类的权重计算：TF-IDF 加权法 | 第39-40页 |
| ·新媒体事件舆情语义分析 | 第40-42页 |
| ·新媒体事件文本的特征降维 | 第40-41页 |
| ·特征项的语义分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 新媒体事件聚类模型与分类模型的构建 | 第43-65页 |
| ·聚类分析的原理 | 第43-46页 |
| ·K_Means 的原理 | 第44-45页 |
| ·遗传算法的原理 | 第45-46页 |
| ·混合 K 均值遗传算法 | 第46-47页 |
| ·新型遗传算法的实现 | 第47-50页 |
| ·新媒体事件分类的原理 | 第50-55页 |
| ·贝叶斯网络模型的改善 | 第51-54页 |
| ·贝叶斯网络模型分类的具体流程与算法的形成 | 第54-55页 |
| ·基于新型遗传算法的新媒体事件的聚类 | 第55-61页 |
| ·新媒体事件处理措施 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 新媒体事件预警系统的仿真 | 第65-70页 |
| ·仿真案例——海门镇事件 | 第65-66页 |
| ·海门事件的仿真分类过程 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 本文总结 | 第70页 |
| 研究展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间发表的论文及参与的科研项目 | 第76-77页 |
| 致谢 | 第77-78页 |
| 详细摘要 | 第78-83页 |
