面向中文微博的关键词提取技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 结构安排 | 第12-14页 |
| 2 中文微博相关理论及技术概述 | 第14-28页 |
| 2.1 中文微博的基本概念 | 第14-15页 |
| 2.2 中文微博特征分析 | 第15-17页 |
| 2.2.1 中文微博的传播方式 | 第15-16页 |
| 2.2.2 中文微博的文本特征 | 第16-17页 |
| 2.3 关键词提取技术 | 第17-27页 |
| 2.3.1 基于统计学的语言模型 | 第17-20页 |
| 2.3.2 基于语义的语言模型 | 第20-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于隐含主题模型的中文微博关键词提取算法研究 | 第28-45页 |
| 3.1 主题模型的基本思想 | 第28-29页 |
| 3.2 隐含主题模型的简介 | 第29-35页 |
| 3.2.1 隐含主题模型的概率基础 | 第30-31页 |
| 3.2.2 隐含主题贝叶斯网络图 | 第31-33页 |
| 3.2.3 参数估计 | 第33-35页 |
| 3.3 基于隐含主题模型的中文微博关键词提取算法 | 第35-36页 |
| 3.4 中文微博数据的采集 | 第36-38页 |
| 3.5 基于中文微博的词袋模型构建 | 第38-39页 |
| 3.6 实验结果及分析 | 第39-44页 |
| 3.7 本章小结 | 第44-45页 |
| 4 多特征融合主题模型 | 第45-58页 |
| 4.1 主题模型的选取 | 第45-46页 |
| 4.2 语义相似度计算 | 第46-49页 |
| 4.2.1 基于同义词词林的相似度计算 | 第46-47页 |
| 4.2.2 基于HowNet的相似度计算 | 第47-48页 |
| 4.2.3 语义库的选取 | 第48-49页 |
| 4.3 多特征融合概率主题模型 | 第49-51页 |
| 4.3.1 模型的基本思想 | 第49-50页 |
| 4.3.2 多特征融合模型 | 第50-51页 |
| 4.4 实验结果及分析 | 第51-55页 |
| 4.5 演化趋势分析 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 本文的总结 | 第58页 |
| 5.2 未来的展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
