基于社交媒体网络的事件检测
| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 研究现状 | 第9-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第二章 相关工作 | 第12-18页 |
| 2.1 基于社交网络的事件检测 | 第12-14页 |
| 2.1.1 非特定事件检测 | 第12-14页 |
| 2.1.2 特定事件检测 | 第14页 |
| 2.2 基于跨媒体的事件检测 | 第14-16页 |
| 2.3 主题模型 | 第16-17页 |
| 2.4 总结 | 第17-18页 |
| 第三章 基于社交媒体的新闻事件检测与信息增强 | 第18-37页 |
| 3.1 整体框架 | 第18-19页 |
| 3.2 数据采集模块 | 第19页 |
| 3.3 自然语言处理 | 第19-23页 |
| 3.3.1 分词 | 第20-21页 |
| 3.3.2 去除停用词 | 第21页 |
| 3.3.3 取词根 | 第21-22页 |
| 3.3.4 词性标注 | 第22页 |
| 3.3.5 词条标准化 | 第22-23页 |
| 3.3.6 命名实体 | 第23页 |
| 3.4 特征属性提取 | 第23-26页 |
| 3.4.1 关键词 | 第23-24页 |
| 3.4.2 社会化标签 | 第24-25页 |
| 3.4.3 时间标签 | 第25页 |
| 3.4.4 TF-IDF特征 | 第25-26页 |
| 3.5 向量空间模型 | 第26-27页 |
| 3.6 新闻事件检测模块 | 第27-30页 |
| 3.6.1 文本余弦相似度 | 第28页 |
| 3.6.2 时间相似度 | 第28页 |
| 3.6.3 地理位置相似度 | 第28-29页 |
| 3.6.4 社会化标签Jaccard相似度 | 第29-30页 |
| 3.7 算法简介 | 第30-32页 |
| 3.7.1 K-means算法 | 第30-31页 |
| 3.7.2 DBSCAN算法 | 第31-32页 |
| 3.8 有监督算法 | 第32-35页 |
| 3.8.1 支持向量机 | 第32-35页 |
| 3.9 事件类摘要 | 第35-36页 |
| 3.10 事件信息增强 | 第36页 |
| 3.11 总结 | 第36-37页 |
| 第四章 实验及结果 | 第37-48页 |
| 4.1 数据集 | 第37-40页 |
| 4.1.1 新闻数据集 | 第37-38页 |
| 4.1.2 Twitter数据集 | 第38-40页 |
| 4.2 数据结构 | 第40-42页 |
| 4.3 预定义事件检测 | 第42-44页 |
| 4.4 事件检测及信息扩展模块 | 第44-47页 |
| 4.5 总结 | 第47-48页 |
| 第五章 总结和展望 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 发表论文和参加科研情况说明 | 第54-55页 |
| 致谢 | 第55-56页 |
