互联网舆情监测分析系统实现
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第8-12页 |
| ·论文选题背景 | 第8-10页 |
| ·互联网及时反映着社会舆情动态 | 第8页 |
| ·互联网能够成为重要的信息来源 | 第8-9页 |
| ·网络空间中的斗争形势严峻 | 第9页 |
| ·互联网信息利用中存在的主要问题 | 第9-10页 |
| ·本文的主要内容 | 第10页 |
| ·本文的章节安排 | 第10-12页 |
| 第二章 中文网页信息的自动提取 | 第12-22页 |
| ·网页信息的分析 | 第12-15页 |
| ·网上信息的表示 | 第12页 |
| ·网页的结构分析 | 第12-13页 |
| ·网页控制符分析 | 第13-14页 |
| ·网页信息的提取流程 | 第14页 |
| ·HTML控制符号处理 | 第14-15页 |
| ·汉语自动分词 | 第15-17页 |
| ·自动分词基本算法 | 第15-16页 |
| ·未登录词的识别 | 第16-17页 |
| ·汉语自动分词的切分歧义及其消除 | 第17页 |
| ·特征提取 | 第17-22页 |
| ·特征表示 | 第17-18页 |
| ·向量空间模型(VSM) | 第18-20页 |
| ·特征提取 | 第20-22页 |
| 第三章 常用中文文本分类算法 | 第22-32页 |
| ·中文文本分类模型 | 第22-24页 |
| ·问题描述 | 第22页 |
| ·中文文档分类的系统框架 | 第22-23页 |
| ·文档分类两阶段流程 | 第23-24页 |
| ·文档分类评估方法 | 第24页 |
| ·几种常用分类算法 | 第24-27页 |
| ·简单向量距离分类法 | 第25页 |
| ·贝叶斯分类方法 | 第25-26页 |
| ·KNN(K最近邻)算法 | 第26页 |
| ·支持向量机(SVM) | 第26-27页 |
| ·其它分类器 | 第27页 |
| ·支持向量机(SVM) | 第27-30页 |
| ·线性可分 | 第27-28页 |
| ·线性不可分 | 第28-29页 |
| ·核函数 | 第29-30页 |
| ·训练算法比较与评估 | 第30-32页 |
| ·各种训练算法比较 | 第30页 |
| ·算法评估 | 第30-32页 |
| 第四章 常用中文文本聚类算法 | 第32-41页 |
| ·类 | 第32页 |
| ·类间距离 | 第32-35页 |
| ·样本点间距离 | 第32-34页 |
| ·类间的距离 | 第34页 |
| ·相似系数 | 第34-35页 |
| ·聚类步骤 | 第35-37页 |
| ·聚类三个步骤 | 第35-37页 |
| ·聚类谱系图 | 第37页 |
| ·常用聚类算法 | 第37-39页 |
| ·基于划分的聚类算法 | 第38页 |
| ·层次型聚类算法 | 第38-39页 |
| ·K-means算法 | 第39-41页 |
| 第五章 互联网舆情监测分析系统设计和实现 | 第41-56页 |
| ·舆情热点自动监测设计 | 第42-47页 |
| ·主题监测 | 第42-43页 |
| ·舆情热点自动监测设计 | 第43-47页 |
| ·文档关键词提取设计 | 第47-50页 |
| ·文档关键词提取 | 第47-48页 |
| ·文档关键词提取技术设计 | 第48-50页 |
| ·专题生成技术分析设计 | 第50-52页 |
| ·专题生成 | 第50页 |
| ·专题生成的技术设计 | 第50-51页 |
| ·专题生成程序实现 | 第51-52页 |
| ·主题追踪技术设计 | 第52-56页 |
| ·主题追踪 | 第52-53页 |
| ·主题追踪的技术设计 | 第53-55页 |
| ·主题追踪程序实现 | 第55-56页 |
| 第六章 互联网舆情监测分析应用系统 | 第56-64页 |
| ·互联网舆情监测分析系统结构 | 第56-58页 |
| ·互联网舆情监测分析系统功能 | 第58页 |
| ·互联网舆情监测分析系统实现 | 第58-59页 |
| ·舆情热点自动监测的具体应用 | 第59-60页 |
| ·文档关键词提取的具体应用 | 第60-61页 |
| ·专题生成的具体应用 | 第61-62页 |
| ·事件跟踪和趋势分析的具体应用 | 第62-64页 |
| 第七章 结论 | 第64-66页 |
| ·结论 | 第64页 |
| ·展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
