| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文创新点 | 第14页 |
| 1.4 本文研究内容及组织结构 | 第14-17页 |
| 第二章 网络舆情分析系统相关技术 | 第17-27页 |
| 2.1 网络舆情分析概述 | 第17-18页 |
| 2.2 网络舆情分析关键技术 | 第18-25页 |
| 2.2.1 文本信息采集 | 第18-19页 |
| 2.2.2 文本预处理 | 第19-21页 |
| 2.2.3 文本表示模型 | 第21-22页 |
| 2.2.4 文本特征提取 | 第22-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 网络舆情分析系统模型 | 第27-35页 |
| 3.1 网络舆情信息搜集模块 | 第28-29页 |
| 3.2 网络舆情信息预处理模块 | 第29-32页 |
| 3.2.1 分词和词性标注 | 第30-31页 |
| 3.2.2 特征词提取方法 | 第31-32页 |
| 3.3 舆情信息分析模块 | 第32-33页 |
| 3.4 热点话题发现 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 网络舆情信息热点发现技术研究 | 第35-45页 |
| 4.1 相关技术研究 | 第35-38页 |
| 4.1.1 文本表示技术 | 第35-37页 |
| 4.1.2 文本特征选择 | 第37-38页 |
| 4.1.3 聚类分析技术 | 第38页 |
| 4.2 OICKMSP热点话题的发现算法的设计与实现 | 第38-44页 |
| 4.2.1 传统的K-Means算法 | 第38-40页 |
| 4.2.2 优化初始中心的K-Means算法(OICKM) | 第40-41页 |
| 4.2.3 Single-Pass算法 | 第41-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 热点话题发现的性能分析 | 第45-57页 |
| 5.1 热点话题发现实验 | 第45-51页 |
| 5.1.1 热点话题发现实验的评价标准 | 第45-46页 |
| 5.1.2 实验条件 | 第46页 |
| 5.1.3 实验过程及结果分析 | 第46-51页 |
| 5.2 热点话题评估 | 第51-55页 |
| 5.2.1 热点话题评估 | 第51-53页 |
| 5.2.2 实验评价标准 | 第53-54页 |
| 5.2.3 实验条件 | 第54页 |
| 5.2.4 实验结果及分析 | 第54-55页 |
| 5.3 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 (攻读硕士期间所取得的成果) | 第65页 |