| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 微博 | 第9-10页 |
| 1.1.2 微博时序事件挖掘 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 2 微博信息提取技术 | 第15-28页 |
| 2.1 微博数据获取 | 第15-17页 |
| 2.2 微博预处理 | 第17-22页 |
| 2.2.1 选取微博 | 第17-18页 |
| 2.2.2 中文分词及词性标记 | 第18-21页 |
| 2.2.3 过滤停用词和表情词 | 第21-22页 |
| 2.3 构造特征向量 | 第22-27页 |
| 2.3.1 特征选取 | 第22-25页 |
| 2.3.2 特征权重 | 第25-26页 |
| 2.3.3 构造特征向量 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 相似度计算方法 | 第28-38页 |
| 3.1 概念相似度及相关度计算方法 | 第28-33页 |
| 3.1.1 相关基础 | 第28-29页 |
| 3.1.2 相似度和相关度关系 | 第29-30页 |
| 3.1.3 相关方法分类及分析 | 第30-33页 |
| 3.2 句子相似度计算方法 | 第33-36页 |
| 3.2.1 句子相似度计算简介 | 第33页 |
| 3.2.2 相关方法分类及分析 | 第33-34页 |
| 3.2.3 基于句子相似度计算方法 | 第34-36页 |
| 3.3 微博相似度计算方法 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于相似度的个人微博时序事件归类研究 | 第38-50页 |
| 4.1 微博预处理 | 第38-39页 |
| 4.2 改进的 TF-IDF 特征词提取 | 第39-42页 |
| 4.3 基于 LDA 模型的同类词模板构造 | 第42-45页 |
| 4.4 个人微博相似度计算 | 第45-47页 |
| 4.5 基于 K-Means 聚类思想的时序事件归类 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 5 实验结果与分析 | 第50-55页 |
| 5.1 实验环境及平台搭建 | 第50页 |
| 5.2 微博数据收集 | 第50页 |
| 5.3 实验数据评估指标 | 第50-52页 |
| 5.4 微博归类实验结果及分析 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 本文完成的主要研究工作 | 第55-56页 |
| 6.2 不足之处及工作展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 在学研究成果 | 第62-63页 |
| 致谢 | 第63页 |