| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 课题背景意义 | 第10-11页 |
| 1.1.2 研究难点 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国内外网络话题检测算法的研究现状 | 第12-13页 |
| 1.2.2 国内外网络话题表示方法的研究现状 | 第13-14页 |
| 1.3 本文内容 | 第14-15页 |
| 1.4 本文结构 | 第15-17页 |
| 第2章 网络话题的检测 | 第17-36页 |
| 2.1 多模态数据的融合 | 第17-19页 |
| 2.2 候选网络话题集合的获取 | 第19-20页 |
| 2.3 稀疏泊松反卷积算法的建立 | 第20-25页 |
| 2.3.1 SPD模型建立过程 | 第20-21页 |
| 2.3.2 加速近端梯度下降算法原理介绍 | 第21-22页 |
| 2.3.3 SPD算法优化过程 | 第22-25页 |
| 2.4 网络话题检测实验及相关分析 | 第25-34页 |
| 2.4.1 数据集介绍 | 第25-26页 |
| 2.4.2 实验设定 | 第26-27页 |
| 2.4.3 评价标准 | 第27-28页 |
| 2.4.4 对比算法简介 | 第28-29页 |
| 2.4.5 与其他四种先进网络话题检测算法的对比 | 第29-32页 |
| 2.4.6 收敛速度实验 | 第32-33页 |
| 2.4.7 稀疏的话题内部相似度的作用分析 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 网络话题的表示 | 第36-44页 |
| 3.1 网络话题原型网页学习算法 | 第36-40页 |
| 3.1.1 原型网页学习算法目标函数的建立 | 第37-38页 |
| 3.1.2 递减回归性质的介绍 | 第38页 |
| 3.1.3 原型网页学习算法的优化 | 第38-40页 |
| 3.2 网络话题表示实验及相关分析 | 第40-43页 |
| 3.2.1 人工标记过程 | 第40页 |
| 3.2.2 评价标准 | 第40页 |
| 3.2.3 对比方法简介 | 第40-42页 |
| 3.2.4 四种网络话题原型学习算法对比实验与分析 | 第42-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 网络话题检测的后处理 | 第44-60页 |
| 4.1 网络话题检测现状分析 | 第44-45页 |
| 4.2 网络话题检测后处理模型 | 第45-52页 |
| 4.2.1 后处理算法原理介绍 | 第45-47页 |
| 4.2.2 基于随机游走距离的次模选择 | 第47-51页 |
| 4.2.3 后处理模型整体流程 | 第51-52页 |
| 4.3 后处理模型的实验及相关分析 | 第52-58页 |
| 4.3.1 实验设定 | 第52-53页 |
| 4.3.2 k-ACV阈值的鲁棒性和有效性验证实验 | 第53-54页 |
| 4.3.3 后处理有效性验证实验 | 第54-57页 |
| 4.3.4 后处理算法分步性能的比较实验 | 第57-58页 |
| 4.3.5 泛化能力 | 第58页 |
| 4.4 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录 A第55个话题及其原型网页可视化 | 第66-68页 |
| 附录 B第27个话题及其原型网页可视化 | 第68-70页 |
| 攻读硕士学位期间所发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |