基于LDA模型和信息熵的热门微博发现
| 内容摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 导论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 文章研究框架、内容以及创新点 | 第10-12页 |
| 1.2.1 研究框架 | 第10页 |
| 1.2.2 主要内容 | 第10-11页 |
| 1.2.3 创新点 | 第11-12页 |
| 第2章 文本挖掘相关理论与研究 | 第12-19页 |
| 2.1 文本挖掘概述 | 第12-14页 |
| 2.1.1 文本挖掘的定义 | 第12页 |
| 2.1.2 文本挖掘的任务 | 第12-13页 |
| 2.1.3 文本挖掘的难点 | 第13-14页 |
| 2.2 中文文本挖掘的关键技术 | 第14-16页 |
| 2.2.1 文本表示 | 第14-15页 |
| 2.2.2 中文文本分词 | 第15-16页 |
| 2.3 短文本挖掘和微博文本挖掘 | 第16-19页 |
| 2.3.1 短文本挖掘 | 第16-17页 |
| 2.3.2 国外微博研究现状 | 第17页 |
| 2.3.3 国内微博研究现状 | 第17-19页 |
| 第3章 基于LDA模型和信息熵的微博主题抽取 | 第19-28页 |
| 3.1 主题模型 | 第19-20页 |
| 3.2 潜在狄利克雷分布 | 第20-22页 |
| 3.3 基于LDA的主题模型拓展 | 第22-24页 |
| 3.3.1 MB-LDA模型 | 第22-23页 |
| 3.3.2 AuthorTopic模型 | 第23-24页 |
| 3.4 主题模型评估与主题数目确定 | 第24-25页 |
| 3.5 基于信息熵的微博主题加权 | 第25-28页 |
| 3.5.1 主题的信息熵 | 第26-27页 |
| 3.5.2 主题加权 | 第27-28页 |
| 第4章 微博热度评分 | 第28-40页 |
| 4.1 微博热度相关数据 | 第28页 |
| 4.2 热度计算方法 | 第28-33页 |
| 4.2.1 话题的热度计算 | 第29-30页 |
| 4.2.2 微博用户热度计算 | 第30-32页 |
| 4.2.3 微博的热度计算 | 第32-33页 |
| 4.3 排名算法 | 第33-38页 |
| 4.3.1 PageRank算法 | 第33-35页 |
| 4.3.2 基于用户投票的排名算法 | 第35-38页 |
| 4.4 微博热度评分函数 | 第38-40页 |
| 4.4.1 微博内部热度和外部热度计算 | 第38-39页 |
| 4.4.2 热度评分函数 | 第39-40页 |
| 第5章 热门微博发现的模型实现与结果分析 | 第40-46页 |
| 5.1 数据准备与预处理 | 第40-41页 |
| 5.2 参数设置和评价指标 | 第41-42页 |
| 5.3 实验结果分析 | 第42-46页 |
| 5.3.1 微博主题挖掘结果 | 第42-43页 |
| 5.3.2 微博内部热度结果 | 第43-44页 |
| 5.3.3 结果对比 | 第44-46页 |
| 第6章 总结与展望 | 第46-48页 |
| 6.1 本文总结 | 第46页 |
| 6.2 研究展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 后记 | 第51页 |
