基于微博的金融领域的热点话题的发现与分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.1.1 微博发展现状 | 第9-10页 |
| 1.2 论文工作及特色 | 第10-11页 |
| 1.2.1 论文工作与意义 | 第10页 |
| 1.2.2 论文研究工作特色 | 第10-11页 |
| 1.2.3 国内外研究现状 | 第11页 |
| 1.3 硕士研究生期间的工作总结 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 背景理论及相关技术介绍 | 第14-24页 |
| 2.1 话题发现与追踪(TDT)相关技术 | 第14-15页 |
| 2.2 文本聚类相关技术 | 第15-23页 |
| 2.2.1 文本表示模型 | 第15-16页 |
| 2.2.2 特征项选择及特征权重计算方法 | 第16-19页 |
| 2.2.3 文本相似度计算方法 | 第19-20页 |
| 2.2.4 文本聚类算法 | 第20-21页 |
| 2.2.5 文本聚类评测指标 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 微博文本预处理及特征选取量化 | 第24-34页 |
| 3.1 微博数据预处理 | 第24-25页 |
| 3.1.1 数据清洗 | 第24-25页 |
| 3.1.2 数据校验 | 第25页 |
| 3.2 文本分词技术 | 第25-27页 |
| 3.3 特征项抽取 | 第27-29页 |
| 3.3.1 去除停用词 | 第27页 |
| 3.3.2 特征项提取 | 第27-29页 |
| 3.4 Word2Vec概述 | 第29-30页 |
| 3.5 文本特征向量表示 | 第30-31页 |
| 3.6 实验及结果分析 | 第31-32页 |
| 3.6.1 实验环境及数据 | 第31页 |
| 3.6.2 结果分析 | 第31-32页 |
| 3.7 本章小结 | 第32-34页 |
| 第四章 基于Single-Pass的改进算法 | 第34-45页 |
| 4.1 现有文本聚类算法的分析 | 第34-38页 |
| 4.1.1 Single-Pass算法概述 | 第34-35页 |
| 4.1.2 聚类算法分析选取 | 第35-38页 |
| 4.2 基于多话题中心的二次聚类算法 | 第38-41页 |
| 4.2.1 基本思想 | 第38页 |
| 4.2.2 算法描述 | 第38-41页 |
| 4.3 实验及结果分析 | 第41-43页 |
| 4.3.1 实验环境及数据 | 第41页 |
| 4.3.2 结果分析 | 第41-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 金融领域热点话题原型系统的设计与实现 | 第45-60页 |
| 5.1 整体系统架构 | 第45-47页 |
| 5.1.1 系统功能需求 | 第45页 |
| 5.1.2 系统架构 | 第45-47页 |
| 5.2 系统功能模块设计与实现 | 第47-59页 |
| 5.2.1 总体功能模块概述 | 第47-49页 |
| 5.2.2 情感分析模块设计 | 第49-50页 |
| 5.2.3 个股分析模块设计 | 第50-52页 |
| 5.2.4 话题分析模块设计 | 第52-56页 |
| 5.2.5 功能模块的总体实现 | 第56-57页 |
| 5.2.6 原型系统效果展示 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-63页 |
| 6.1 论文总结 | 第60-61页 |
| 6.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
