| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究内容及目标 | 第11-12页 |
| 1.3 论文的组织结构 | 第12-13页 |
| 第二章 文本主题挖掘及用户画像技术概述 | 第13-25页 |
| 2.1 引言 | 第13页 |
| 2.2 文本主题挖掘相关技术 | 第13-21页 |
| 2.2.1 潜在语义分析 | 第13-14页 |
| 2.2.2 概率潜在语义分析 | 第14-17页 |
| 2.2.3 潜在狄利克雷分配 | 第17-19页 |
| 2.2.4 短文本主题模型 | 第19-21页 |
| 2.3 用户画像挖掘相关技术 | 第21-24页 |
| 2.3.1 用户特征选择 | 第21-24页 |
| 2.3.2 用户特征挖掘 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 用户投诉文本挖掘 | 第25-49页 |
| 3.1 引言 | 第25-26页 |
| 3.2 用户投诉预处理 | 第26-27页 |
| 3.2.1 用户投诉文本分词 | 第26-27页 |
| 3.2.2 用户投诉数据清洗 | 第27页 |
| 3.2.3 相同用户投诉合并 | 第27页 |
| 3.3 基于词网络模块度的短文本扩展 | 第27-34页 |
| 3.3.1 社团发现与模块度简介 | 第28-29页 |
| 3.3.2 带权词网络的构建 | 第29-31页 |
| 3.3.3 新词加入社团前后模块度增量计算 | 第31-32页 |
| 3.3.4 基于模块度的短文本扩展策略 | 第32-34页 |
| 3.4 用户投诉主题模型 | 第34-36页 |
| 3.4.1 LDA吉布斯采样简介 | 第34-36页 |
| 3.4.2 用户投诉主题模型算法流程 | 第36页 |
| 3.5 用户投诉分类 | 第36-41页 |
| 3.5.1 训练集的构造 | 第37页 |
| 3.5.2 文本的向量表示 | 第37-39页 |
| 3.5.3 文本分类 | 第39-41页 |
| 3.6 实验 | 第41-48页 |
| 3.6.1 实验一：用户投诉文本主题模型算法效果评估 | 第41-45页 |
| 3.6.2 实验二：用户投诉文本分类算法效果评估 | 第45-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第四章 投诉用户特征挖掘 | 第49-63页 |
| 4.1 引言 | 第49页 |
| 4.2 训练集构建 | 第49-51页 |
| 4.2.1 用户特征选取和预处理 | 第49-50页 |
| 4.2.2 训练集的构建策略 | 第50-51页 |
| 4.3 基于聚类的离群点检测 | 第51-54页 |
| 4.4 类别不均衡问题的处理 | 第54-56页 |
| 4.4.1 类别不均衡问题的定义 | 第54-56页 |
| 4.4.2 基于聚类结果的欠采样 | 第56页 |
| 4.5 基于C4.5的用户特征挖掘模型 | 第56-60页 |
| 4.5.1 决策树分类算法简介 | 第56-58页 |
| 4.5.2 基于C4.5的用户特征挖掘建摸 | 第58-60页 |
| 4.6 实验 | 第60-61页 |
| 4.6.1 实验设置 | 第60页 |
| 4.6.2 实验结果 | 第60-61页 |
| 4.6.3 实验总结 | 第61页 |
| 4.7 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63-64页 |
| 5.2 不足与展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69-70页 |