网络舆情热点发现技术研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·本文研究内容及组织结构 | 第11-12页 |
| 第二章 网络舆情分析系统相关技术 | 第12-24页 |
| ·网络舆情分析概述 | 第12-13页 |
| ·网络舆情分析关键技术 | 第13-22页 |
| ·文本采集 | 第13-14页 |
| ·文本预处理 | 第14-15页 |
| ·文本表示模型 | 第15-17页 |
| ·文本特征提取 | 第17-19页 |
| ·文本相似性计算 | 第19页 |
| ·文本聚类技术 | 第19-22页 |
| ·本章小结 | 第22-24页 |
| 第三章 网络舆情分析系统核心算法 | 第24-42页 |
| ·蚁群聚类算法 | 第24-27页 |
| ·BM 模型 | 第24-25页 |
| ·LF 算法 | 第25-26页 |
| ·AM 模型 | 第26-27页 |
| ·基于多蚁型的蚁群聚类算法 | 第27-36页 |
| ·模型建立 | 第27-29页 |
| ·算法概述 | 第29-30页 |
| ·集群建立过程 | 第30-31页 |
| ·移步过程 | 第31-32页 |
| ·蚁后过程 | 第32-33页 |
| ·通用过程 | 第33-34页 |
| ·工蚁过程 | 第34-35页 |
| ·僵尸蚁过程 | 第35-36页 |
| ·基于关联规则的蚁群聚类算法 | 第36-39页 |
| ·关联规则算法 | 第36-37页 |
| ·相关向量的建立 | 第37-38页 |
| ·群体相关度计算 | 第38-39页 |
| ·群体相似度和相关度的融合 | 第39页 |
| ·本章小结 | 第39-42页 |
| 第四章 基于蚁群聚类算法的网络舆情分析系统模型 | 第42-48页 |
| ·系统总体模型框架 | 第42-43页 |
| ·舆情信息采集模块 | 第43-44页 |
| ·舆情信息预处理模块 | 第44-46页 |
| ·分词和词性标注 | 第44-45页 |
| ·特征提取方法 | 第45-46页 |
| ·舆情信息分析模块 | 第46-47页 |
| ·基于蚁群聚类算法的舆情信息分析 | 第47页 |
| ·热点话题发现 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第五章 实验测试与分析 | 第48-56页 |
| ·实验环境 | 第48页 |
| ·实验数据 | 第48页 |
| ·实验结果分析 | 第48-51页 |
| ·评测方法 | 第48-49页 |
| ·实验结果与分析 | 第49-51页 |
| ·系统展示 | 第51-55页 |
| ·系统主界面 | 第51-52页 |
| ·数据导入界面 | 第52-53页 |
| ·舆情信息详细界面 | 第53页 |
| ·舆情信息预处理界面 | 第53-54页 |
| ·舆情分析界面 | 第54页 |
| ·舆情分析结果界面 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者的研究成果和参加的科研项目 | 第64-65页 |
