| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 问题的提出 | 第7页 |
| 1.2 国内外研究现状 | 第7-11页 |
| 1.2.1 传统的主题挖掘算法 | 第7-8页 |
| 1.2.2 基于线性代数的主题挖掘算法 | 第8页 |
| 1.2.3 基于概率模型的主题挖掘算法 | 第8-11页 |
| 1.3 课题研究的主要内容 | 第11-13页 |
| 1.4 本文的组织结构 | 第13页 |
| 1.5 本章小结 | 第13-15页 |
| 2 相关技术基础 | 第15-35页 |
| 2.1 主题模型相关技术 | 第15-26页 |
| 2.1.1 参数估计 | 第15-17页 |
| 2.1.2 共轭分布 | 第17-19页 |
| 2.1.3 文本建模 | 第19-20页 |
| 2.1.4 贝叶斯网络和生成模型 | 第20-22页 |
| 2.1.5 狄利克雷分配 | 第22-26页 |
| 2.2 Hadoop 分布式平台 | 第26-34页 |
| 2.2.1 “云计算”概述 | 第26-27页 |
| 2.2.2 Hadoop 架构 | 第27-28页 |
| 2.2.3 MapReduce 引擎 | 第28-31页 |
| 2.2.4 Hadoop 分布式文件系统（HDFS） | 第31-33页 |
| 2.2.5 HDFS 的工作流程 | 第33-34页 |
| 2.3 本章小结 | 第34-35页 |
| 3 基于微博的主题模型建模 | 第35-57页 |
| 3.1 建模方法 | 第35-40页 |
| 3.1.1 基于传统的 LDA 建模方法 | 第35-36页 |
| 3.1.2 改进的微博主题建模方法 MBUT-LDA | 第36-40页 |
| 3.2 MBUT-LDA 模型的推导 | 第40-43页 |
| 3.3 MBUT-LDA 模型的训练和 Inference | 第43-44页 |
| 3.4 MBUT-LDA 主题建模算法实现 | 第44-46页 |
| 3.5 分布式的 MBUT-LDA 主题建模实现 | 第46-54页 |
| 3.5.1 词典生成过程 | 第47-50页 |
| 3.5.2 MBUT-LDA 初始化过程 | 第50-52页 |
| 3.5.3 Gibbs 抽样过程 | 第52-53页 |
| 3.5.4 挖掘用户主题 | 第53-54页 |
| 3.6 本章总结 | 第54-57页 |
| 4 实验分析 | 第57-69页 |
| 4.1 实验准备 | 第57-58页 |
| 4.1.1 数据准备 | 第57页 |
| 4.1.2 数据处理 | 第57页 |
| 4.1.3 实验环境 | 第57-58页 |
| 4.2 实验评估 | 第58-67页 |
| 4.2.1 整体效果 | 第58-59页 |
| 4.4.2 有效性实验 | 第59-64页 |
| 4.4.3 时间效率实验 | 第64-67页 |
| 4.3 本章小结 | 第67-69页 |
| 5 总结与展望 | 第69-71页 |
| 5.1 本文总结 | 第69-70页 |
| 5.2 下一步工作 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录 | 第77页 |
| A. 作者在攻读硕士学位期间成果目录 | 第77页 |
| B. 作者在攻读硕士学位期间参加的项目 | 第77页 |
