| 摘要 | 第3-5页 |
| ABSTRACT | 第5页 |
| 目录 | 第7-10页 |
| 图录 | 第10-11页 |
| 表录 | 第11-12页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 事件检测 | 第13-16页 |
| 1.2.2 主题模型 | 第16-19页 |
| 1.3 目前存在的问题 | 第19-20页 |
| 1.4 研究内容及工作 | 第20页 |
| 1.5 论文内容 | 第20-21页 |
| 1.6 本章小结 | 第21-22页 |
| 第二章 相关理论技术 | 第22-32页 |
| 2.1 参数估计 | 第22-24页 |
| 2.1.1 极大似然估计 | 第22-23页 |
| 2.1.2 极大后验估计 | 第23-24页 |
| 2.1.3 贝叶斯估计 | 第24页 |
| 2.2 共轭分布 | 第24-26页 |
| 2.2.1 共轭的概念 | 第24页 |
| 2.2.2 多项式分布和狄利克雷分布 | 第24-26页 |
| 2.3 概率图模型 | 第26-29页 |
| 2.3.1 贝叶斯网络 | 第26-27页 |
| 2.3.2 条件独立和可交换性 | 第27-28页 |
| 2.3.3 生成模型 | 第28-29页 |
| 2.4 LDA 主题模型 | 第29-31页 |
| 2.4.1 图模型和生成过程 | 第29-30页 |
| 2.4.2 模型推理 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于主题模型的 TWITTER 事件检测算法 | 第32-44页 |
| 3.1 概述 | 第32-33页 |
| 3.2 Tweets 数据预处理 | 第33-35页 |
| 3.3 GEAM(General and Event-related Aspects Model) | 第35-42页 |
| 3.3.1 GEAM 模型描述 | 第35-38页 |
| 3.3.2 GEAM 模型推理 | 第38-42页 |
| 3.4 事件排序和展示 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 在线事件检测 | 第44-50页 |
| 4.1 概述 | 第44页 |
| 4.2 在线式 GEAM 模型 | 第44-49页 |
| 4.2.1 背景描述 | 第45-46页 |
| 4.2.2 在线算法 | 第46-48页 |
| 4.2.3 事件追踪和演化 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 实验评估与结果分析 | 第50-65页 |
| 5.1 概述 | 第50页 |
| 5.2 Tweets 数据集 | 第50-52页 |
| 5.3 参数设置和评估标准 | 第52-53页 |
| 5.3.1 参数设置 | 第52页 |
| 5.3.2 评估标准 | 第52-53页 |
| 5.4 GEAM 模型构建 | 第53-60页 |
| 5.4.1 事件检测有效性 | 第53-56页 |
| 5.4.2 事件可解释性 | 第56-59页 |
| 5.4.3 事件趋势分析 | 第59-60页 |
| 5.5 在线式 GEAM 模型 | 第60-64页 |
| 5.5.1 在线式和离线式模型比较 | 第60-62页 |
| 5.5.2 事件演化 | 第62-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 结束语 | 第65-67页 |
| 6.1 论文主要工作 | 第65页 |
| 6.2 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间已发表或录用的论文 | 第71-72页 |
| 附件 | 第72-74页 |