基于网络新闻流的热点事件检测与跟踪算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12页 |
| 1.3 论文的研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 相关理论和技术 | 第14-28页 |
| 2.1 网络爬虫简介 | 第14-17页 |
| 2.1.1 网络爬虫的工作原理 | 第14-15页 |
| 2.1.2 网络爬虫的类型 | 第15页 |
| 2.1.3 网络爬虫URL去重 | 第15-17页 |
| 2.2 文本预处理 | 第17-18页 |
| 2.2.1 去停用词 | 第17页 |
| 2.2.2 文本分词提取技术 | 第17-18页 |
| 2.3 特征提取 | 第18-19页 |
| 2.4 文本表示模型 | 第19-21页 |
| 2.5 文本相似度计算 | 第21-23页 |
| 2.6 文本聚类算法 | 第23-27页 |
| 2.6.1 层次聚类算法 | 第24-25页 |
| 2.6.2 划分聚类算法 | 第25-26页 |
| 2.6.3 增量聚类算法 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 基于特征项权重的事件检测与跟踪算法 | 第28-44页 |
| 3.1 问题描述及概念定义 | 第28-31页 |
| 3.2 基于特征项权重的事件检测与跟踪算法 | 第31-33页 |
| 3.2.1 文本预处理 | 第32页 |
| 3.2.2 新闻与事件模型 | 第32-33页 |
| 3.2.3 相似度算法 | 第33页 |
| 3.3 算法描述与实现 | 第33-35页 |
| 3.4 实验结果与分析 | 第35-43页 |
| 3.4.1 实验数据 | 第35页 |
| 3.4.2 评价指标 | 第35-36页 |
| 3.4.3 实验设置 | 第36页 |
| 3.4.4 实验结果 | 第36-38页 |
| 3.4.5 实验分析 | 第38-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于特征项增长趋势的事件检测与跟踪算法 | 第44-57页 |
| 4.1 基于特征项增长趋势的事件检测与跟踪算法 | 第44-47页 |
| 4.1.1 文本预处理 | 第44页 |
| 4.1.2 新闻与事件模型 | 第44-45页 |
| 4.1.3 特征项增长趋势 | 第45-47页 |
| 4.1.4 相似度算法 | 第47页 |
| 4.2 算法实现与描述 | 第47-49页 |
| 4.3 实验结果与分析 | 第49-56页 |
| 4.3.1 实验数据 | 第49页 |
| 4.3.2 评价指标 | 第49-50页 |
| 4.3.3 实验设置 | 第50页 |
| 4.3.4 实验结果 | 第50-51页 |
| 4.3.5 实验分析 | 第51-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结和展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 未来工作展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-66页 |
| 详细摘要 | 第66-68页 |
