| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 微博热点话题感知的意义 | 第12-14页 |
| 1.2 基本概念介绍 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-16页 |
| 1.3.1 TDT中的噪声过滤 | 第15页 |
| 1.3.2 TDT中的聚类算法 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 2 微博热点话题感知机制 | 第18-25页 |
| 2.1 传统的文本话题感知机制 | 第18-19页 |
| 2.2 改进的文本话题感知机制 | 第19-23页 |
| 2.2.1 微博文本的类别分布 | 第19-20页 |
| 2.2.2 微博和其他网络信息平台的对比 | 第20-21页 |
| 2.2.3 改进的微博热点话题感知机制 | 第21-23页 |
| 2.2.4 对带有微话题标志的微博的处理 | 第23页 |
| 2.3 本章小结 | 第23-25页 |
| 3 微博过滤模块 | 第25-41页 |
| 3.1 数据采集模块 | 第25-26页 |
| 3.2 预处理模块 | 第26-27页 |
| 3.3 文本表示模块 | 第27-30页 |
| 3.3.1 文本模型化 | 第27-28页 |
| 3.3.2 文本降维策略 | 第28-29页 |
| 3.3.3 特征值权重计算 | 第29-30页 |
| 3.4 广告微博过滤模块 | 第30-36页 |
| 3.4.1 广告用户行为分析 | 第30-31页 |
| 3.4.2 分类算法的比对和选择 | 第31-32页 |
| 3.4.3 C4.5决策树分类算法及其优化 | 第32-34页 |
| 3.4.4 基于用户行为分类的广告微博过滤机制 | 第34-36页 |
| 3.5 噪声微博过滤模块 | 第36-40页 |
| 3.5.1 噪声微博文本分析 | 第36页 |
| 3.5.2 基于特征值词频和词性的噪声记分过滤 | 第36-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 话题感知模块 | 第41-55页 |
| 4.1 微博文本聚类模块 | 第41-50页 |
| 4.1.1 传统的文本相似度计算方法 | 第41-42页 |
| 4.1.2 结合了时间参数的文本相似度计算 | 第42页 |
| 4.1.3 聚类算法的比对和选择 | 第42-46页 |
| 4.1.4 基于特征值集合的K-MEANS聚类算法 | 第46-50页 |
| 4.2 微博主题词提取模块 | 第50页 |
| 4.3 微博热度评估模块 | 第50-53页 |
| 4.4 本章小结 | 第53-55页 |
| 5 系统设计和实验分析 | 第55-65页 |
| 5.1 微博热点话题感知系统的设计和实现 | 第55-57页 |
| 5.1.1 系统的总体架构 | 第55-56页 |
| 5.1.2 系统的编程实现 | 第56-57页 |
| 5.2 微博热点话题感知系统实验分析 | 第57-62页 |
| 5.2.1 微博过滤模块测评标准 | 第57页 |
| 5.2.2 微博广告过滤模块实验分析 | 第57-58页 |
| 5.2.3 微博噪声过滤模块实验分析 | 第58-59页 |
| 5.2.4 话题感知模块测评标准 | 第59-60页 |
| 5.2.5 话题感知模块实验分析 | 第60-62页 |
| 5.3 微博热点话题感知系统输出展示 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 研究展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |