深度词汇网络学习舆情监测关键技术的研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 文本数据预处理技术 | 第15-19页 |
| 1.2.2 聚类技术 | 第19-20页 |
| 1.2.3 话题检测与追踪技术 | 第20-21页 |
| 1.3 主要研究工作和创新点 | 第21-22页 |
| 1.3.1 主要研究工作 | 第21页 |
| 1.3.2 本课题的创新点 | 第21-22页 |
| 1.4 本文组织结构 | 第22-24页 |
| 第二章 相关理论 | 第24-34页 |
| 2.1 语义网络 | 第24-26页 |
| 2.1.1 知网 | 第24-25页 |
| 2.1.2 同义词词林 | 第25-26页 |
| 2.1.3 WordNet | 第26页 |
| 2.2 频繁集 | 第26-27页 |
| 2.2.1 频繁集相关定义 | 第26页 |
| 2.2.2 频繁集挖掘算法 | 第26-27页 |
| 2.3 深度学习 | 第27-31页 |
| 2.3.1 深度学习的意义 | 第27-28页 |
| 2.3.2 受限波尔兹曼机 | 第28-30页 |
| 2.3.3 组稀疏受限波尔兹曼机 | 第30页 |
| 2.3.4 深度置信网络 | 第30-31页 |
| 2.4 Single-Pass增量聚类 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 深度词汇网络学习 | 第34-46页 |
| 3.1 特征相关性挖掘 | 第34-38页 |
| 3.1.1 相关定义 | 第35页 |
| 3.1.2 特征相关性挖掘算法 | 第35-38页 |
| 3.2 词汇网络构建及特征筛选 | 第38-40页 |
| 3.2.1 词汇网络节点选取 | 第38-39页 |
| 3.2.2 节点间边的构建 | 第39页 |
| 3.2.3 特征向量构建 | 第39-40页 |
| 3.3 深度学习增量聚类 | 第40-43页 |
| 3.3.1 组稀疏深度信任网络 | 第40-42页 |
| 3.3.2 增量聚类 | 第42-43页 |
| 3.4 本章小结 | 第43-46页 |
| 第四章 舆情检测系统构建 | 第46-62页 |
| 4.1 总体设计 | 第46-47页 |
| 4.2 概要设计 | 第47-50页 |
| 4.3 信息预处理模块 | 第50-54页 |
| 4.3.1 正文抽取模块 | 第50-52页 |
| 4.3.2 特征抽取模块 | 第52-53页 |
| 4.3.3 编码识别模块 | 第53页 |
| 4.3.4 网民关系模块 | 第53-54页 |
| 4.4 舆情分析模块 | 第54-59页 |
| 4.4.1 话题检测模块 | 第56-57页 |
| 4.4.2 热点分析模块 | 第57-58页 |
| 4.4.3 情感分析模块 | 第58页 |
| 4.4.4 态势预测模块 | 第58-59页 |
| 4.5 本章小结 | 第59-62页 |
| 第五章 实验分析 | 第62-68页 |
| 5.1 词汇网络特征抽取有效性实验 | 第62-65页 |
| 5.1.1 实验环境 | 第62页 |
| 5.1.2 算法效率测试 | 第62-63页 |
| 5.1.3 特征向量聚类实验 | 第63-65页 |
| 5.3 深度学习降维可行性验证实验 | 第65-66页 |
| 5.3.1 实验环境 | 第65页 |
| 5.3.2 实验过程 | 第65-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 全文总结 | 第68页 |
| 6.2 未来展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 研究成果及发表的学术论文 | 第76-78页 |
| 作者与导师简介 | 第78-79页 |
| 附件 | 第79-80页 |
