| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 本文研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及特点 | 第10-12页 |
| 1.2.1 短文本相似度测量研究现状 | 第10-11页 |
| 1.2.2 微博的流行程度预测的研究现状 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 相关理论及技术 | 第15-21页 |
| 2.1 微博的特点和特性 | 第15-16页 |
| 2.1.1 微博平台信息的特点 | 第15页 |
| 2.1.2 微博的传播特性 | 第15-16页 |
| 2.2 微博数据下载方法 | 第16-19页 |
| 2.3 实验结果评估标准 | 第19-21页 |
| 2.3.1 性能评价指标 | 第19-21页 |
| 第3章 基于词性和关键词的WMD算法改进 | 第21-33页 |
| 3.1 WORDMOVER’SDISTANCE算法理论 | 第21-25页 |
| 3.1.1 Word2Vec简介 | 第21-22页 |
| 3.1.2 WMD算法 | 第22-25页 |
| 3.2 词性分类及关键词提取方法 | 第25-27页 |
| 3.2.1 关键词提取方法 | 第25-26页 |
| 3.2.2 词性标注方法 | 第26-27页 |
| 3.3 改进的WMD算法 | 第27-30页 |
| 3.3.1 WMD算法的局限性 | 第27页 |
| 3.3.2 单词权重计算算法 | 第27-29页 |
| 3.3.3 改进的WMD算法 | 第29-30页 |
| 3.4 实验及其结果分析 | 第30-32页 |
| 3.4.1 实验设置 | 第30-31页 |
| 3.4.2 改进算法性能分析 | 第31页 |
| 3.4.3 K值对结果的影响 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于文本相似度在流行程度预测中的应用 | 第33-45页 |
| 4.1 模型介绍 | 第33-38页 |
| 4.1.1 逻辑回归模型 | 第33-35页 |
| 4.1.2 SVM原理 | 第35-38页 |
| 4.2 特征提取 | 第38-40页 |
| 4.2.1 相似性特征提取 | 第38-39页 |
| 4.2.2 微博常规特征提取 | 第39-40页 |
| 4.3 实验及其结果分析 | 第40-43页 |
| 4.3.1 流行度预测结果及分析 | 第40-41页 |
| 4.3.2 相似微博数量对准确率的影响 | 第41-42页 |
| 4.3.3 训练集比例对准确率的影响 | 第42-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 主要工作的总结 | 第45页 |
| 5.2 工作展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-53页 |
| 攻读学位期间的科研成果 | 第53-54页 |