| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 社交网络热点发现的研究现状 | 第11-12页 |
| 1.2.2 中文分词和新词识别研究现状 | 第12-14页 |
| 1.3 本文研究内容和方法 | 第14-17页 |
| 第2章 社交网络及数据分析流程 | 第17-27页 |
| 2.1 社交网络及其数据特征 | 第17-19页 |
| 2.1.1 社交网络的发展 | 第17-18页 |
| 2.1.2 社交网络的数据特征 | 第18-19页 |
| 2.2 社交网络数据分析的重点和难点 | 第19-22页 |
| 2.2.1 社交网络数据分析的重点 | 第19-20页 |
| 2.2.2 社交网络数据分析的难点 | 第20-21页 |
| 2.2.3 社交网络数据分析的应用 | 第21-22页 |
| 2.3 社交网络数据分析流程 | 第22-27页 |
| 2.3.1 社交网络数据分析的基本流程 | 第22-24页 |
| 2.3.2 热点发现及关联分析流程 | 第24-27页 |
| 第3章 社交网络数据分词及新词识别模型 | 第27-39页 |
| 3.1 中文分词与新词识别方法 | 第27-30页 |
| 3.1.1 中文分词方法 | 第27-28页 |
| 3.1.2 新词识别方法 | 第28-30页 |
| 3.2 社交网络数据的分词流程及方法的选择 | 第30-32页 |
| 3.3 社交网络的新词识别模型 | 第32-39页 |
| 3.3.1 候选字串获取 | 第33-35页 |
| 3.3.2 基于词频的过滤 | 第35-36页 |
| 3.3.3 基于互信息的过滤 | 第36-37页 |
| 3.3.4 基于信息熵的过滤 | 第37-39页 |
| 第4章 用户投票排名模型的优化及关联分析 | 第39-53页 |
| 4.1 基于用户投票的排名模型 | 第39-43页 |
| 4.2 热点排名模型的优化 | 第43-48页 |
| 4.2.1 热点排名流程 | 第43-44页 |
| 4.2.2 得分计算模型 | 第44-46页 |
| 4.2.3 模型优化效果对比 | 第46-48页 |
| 4.3 热点关联分析 | 第48-53页 |
| 4.3.1 关联规则分析方法 | 第48-49页 |
| 4.3.2 本文关联分析流程 | 第49-53页 |
| 第5章 社交网络热点发现的应用举例——以新浪微博为例 | 第53-71页 |
| 5.1 微博数据抽取与预处理 | 第53-54页 |
| 5.2 候选关键词的抽取 | 第54-61页 |
| 5.2.1 新词识别模型效果实测 | 第54-56页 |
| 5.2.2 中文分词和候选词过滤 | 第56-58页 |
| 5.2.3 候选词相关信息统计 | 第58-61页 |
| 5.3 基于用户投票的热点排名实测 | 第61-64页 |
| 5.4 热点间的关联分析 | 第64-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 全文内容总结 | 第71-72页 |
| 6.2 本文研究的局限和展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 附录 | 第77-79页 |