基于微博的热点话题检测
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-12页 |
| 1.1 研究的背景及意义 | 第7-8页 |
| 1.2 研究的现状 | 第8-9页 |
| 1.3 本文研究的内容 | 第9-12页 |
| 第二章 微博特征分析及微博数据采集 | 第12-27页 |
| 2.1 微博特点分析 | 第12-16页 |
| 2.1.1 微博概述 | 第12-13页 |
| 2.1.2 微博的信息特点 | 第13-14页 |
| 2.1.3 微博的传播特点 | 第14-16页 |
| 2.2 基于新浪微博APJ的数据获取 | 第16-19页 |
| 2.2.1 OAUTH认证 | 第16-17页 |
| 2.2.2 新浪微博API | 第17-19页 |
| 2.3 基于网络爬虫的微博数据获取 | 第19-24页 |
| 2.3.1 微博爬虫的模型框架 | 第19页 |
| 2.3.2 网络爬虫的搜索策略 | 第19-21页 |
| 2.3.3 新浪微博模拟登陆 | 第21-23页 |
| 2.3.4 新浪微博内容抓取 | 第23-24页 |
| 2.4 TDT相关知识 | 第24-27页 |
| 2.4.1 TDT的研究方向 | 第24页 |
| 2.4.2 TDT的主要任务 | 第24-25页 |
| 2.4.3 TDT的评测方法 | 第25-27页 |
| 第三章 微博热点话题检测算法设计 | 第27-40页 |
| 3.1 微博预处理 | 第27-30页 |
| 3.1.1 微博去噪处理 | 第27页 |
| 3.1.2 微博时间窗口划分 | 第27页 |
| 3.1.3 中文分词方法 | 第27-29页 |
| 3.1.4 ICTCLAS汉语分词 | 第29-30页 |
| 3.2 微博文本建模 | 第30-34页 |
| 3.2.1 文本特征表示 | 第30-31页 |
| 3.2.2 文本特征选择 | 第31-32页 |
| 3.2.3 特征项权重计算 | 第32-34页 |
| 3.3 微博关键词聚类 | 第34-40页 |
| 3.3.1 相似度计算 | 第35-36页 |
| 3.3.2 聚类方法介绍 | 第36-37页 |
| 3.3.3 基于关键词的增量聚类 | 第37-40页 |
| 第四章 实验测试与结果分析 | 第40-45页 |
| 4.1 实验数据源 | 第40页 |
| 4.2 测试方法 | 第40页 |
| 4.3 实验设计及结果分析 | 第40-45页 |
| 4.3.1 关键词聚类结果 | 第40-41页 |
| 4.3.2 不同的关键词检测方法对比实验 | 第41-43页 |
| 4.3.3 相似度模型对比实验 | 第43-45页 |
| 第五章 微博热点话题检测系统的设计与实现 | 第45-54页 |
| 5.1 微博热点话题检测系统的设计 | 第45-49页 |
| 5.1.1 微博热点话题检测系统框架 | 第45-46页 |
| 5.1.2 数据库的设计 | 第46-49页 |
| 5.2 微博热点话题检测系统的实现 | 第49-54页 |
| 5.2.1 系统运行环境 | 第49页 |
| 5.2.2 系统各功能模块的实现 | 第49-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第60页 |
