基于微博的热点话题提取
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文的内容安排 | 第13-15页 |
| 第二章 相关技术综述 | 第15-31页 |
| 2.1 微博抓取 | 第15-19页 |
| 2.1.1 网络爬虫 | 第15-18页 |
| 2.1.2 定制微博爬虫 | 第18-19页 |
| 2.2 结构化存储 | 第19-21页 |
| 2.3 中文分词 | 第21-22页 |
| 2.4 文本特征提取 | 第22-24页 |
| 2.4.1 TF-IDF特征 | 第22-23页 |
| 2.4.2 特征选择与特征降维方法 | 第23-24页 |
| 2.5 聚类算法 | 第24-31页 |
| 2.5.1 层次聚类算法 | 第25-26页 |
| 2.5.2 基于划分的聚类算法 | 第26页 |
| 2.5.3 基于密度的聚类算法 | 第26-28页 |
| 2.5.4 基于网格的聚类算法 | 第28-29页 |
| 2.5.5 Single-Pass聚类算法 | 第29-31页 |
| 第三章 话题聚类 | 第31-57页 |
| 3.1 预处理 | 第31-33页 |
| 3.1.1 微博筛选 | 第31-32页 |
| 3.1.2 中文分词 | 第32页 |
| 3.1.3 词筛选 | 第32-33页 |
| 3.2 向量空间模型 | 第33页 |
| 3.3 概率生成模型 | 第33-36页 |
| 3.3.1 一元模型 | 第34页 |
| 3.3.2 一元混合模型 | 第34页 |
| 3.3.3 LSI和pLSI模型 | 第34-36页 |
| 3.4 LDA模型建模与求解 | 第36-46页 |
| 3.4.1 生成模型建模 | 第37-38页 |
| 3.4.2 确定主题数K | 第38-39页 |
| 3.4.3 吉布斯抽样 | 第39-40页 |
| 3.4.4 模型求解 | 第40-44页 |
| 3.4.5 迭代终止条件 | 第44-45页 |
| 3.4.6 模型有效性分析 | 第45-46页 |
| 3.5 聚类算法的比较与选取 | 第46-48页 |
| 3.6 点到类的相似度度量 | 第48-49页 |
| 3.7 Single-Pass算法优化 | 第49-52页 |
| 3.8 聚类效果评估 | 第52-54页 |
| 3.8.1 测试数据与参数选择 | 第52-54页 |
| 3.8.2 聚类结果分析 | 第54页 |
| 3.9 小结 | 第54-57页 |
| 第四章 类内话题词提取 | 第57-63页 |
| 4.1 类内话题词提取框架 | 第57页 |
| 4.2 话题词提取预处理 | 第57-58页 |
| 4.2.1 中文分词 | 第58页 |
| 4.2.2 生成候选词 | 第58页 |
| 4.3 词间关联度计算 | 第58-60页 |
| 4.3.1 词共现研究现状 | 第58-59页 |
| 4.3.2 基于词共现模型的词语关联度计算 | 第59-60页 |
| 4.4 话题词聚类 | 第60-61页 |
| 4.5 话题词提取结果 | 第61页 |
| 4.6 小结 | 第61-63页 |
| 第五章 微博热点话题提取系统 | 第63-71页 |
| 5.1 话题发现系统实现 | 第63-64页 |
| 5.2 系统运行环境和参数 | 第64页 |
| 5.3 系统结果展示 | 第64-70页 |
| 5.4 小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文主要工作和创新 | 第71-72页 |
| 6.2 工作展望 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间发表的学术论文 | 第77页 |
