| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 2 相关知识介绍 | 第15-28页 |
| 2.1 支持Ajax技术的深度网络 | 第15-18页 |
| 2.1.1 深度网络简介 | 第15-16页 |
| 2.1.2 Ajax技术简介 | 第16-18页 |
| 2.2 网络爬虫技术 | 第18-21页 |
| 2.2.1 通用网络爬虫简介 | 第18-19页 |
| 2.2.2 Ajax深度爬虫简介 | 第19-21页 |
| 2.3 文本聚类相关技术 | 第21-27页 |
| 2.3.1 信息预处理 | 第21-23页 |
| 2.3.2 特征项权重计算 | 第23-24页 |
| 2.3.3 向量空间模型 | 第24-25页 |
| 2.3.4 文本聚类常用算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于事件驱动的信息采集技术研究与改进 | 第28-41页 |
| 3.1 公开课网络结构分析 | 第28-30页 |
| 3.1.1 网络结构特点 | 第28-30页 |
| 3.1.2 Ajax页面相关事件 | 第30页 |
| 3.2 传统评论采集方法及存在的局限 | 第30-34页 |
| 3.2.1 传统Ajax评论页URL抽取 | 第31页 |
| 3.2.2 传统Ajax评论信息采集方法 | 第31-33页 |
| 3.2.3 传统方法存在的局限 | 第33-34页 |
| 3.3 改进的Ajax评论采集技术 | 第34-40页 |
| 3.3.1 嵌入式浏览器的选择 | 第34-35页 |
| 3.3.2 优化的Ajax信息采集 | 第35-39页 |
| 3.3.3 数据库设计 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 短文本信息聚类技术的研究与优化 | 第41-51页 |
| 4.1 传统VSM模型 | 第41-42页 |
| 4.2 LDA主题模型的引入 | 第42-43页 |
| 4.3 基于LDA的传统K-means算法 | 第43-46页 |
| 4.3.1 算法基本思想描述 | 第44-45页 |
| 4.3.2 存在的局限 | 第45-46页 |
| 4.4 基于LDA+VSM模型优化的K-means算法 | 第46-50页 |
| 4.4.1 基于LDA优化初始中心的确定 | 第46-47页 |
| 4.4.2 基于LDA+VSM优化文本相似度公式 | 第47-48页 |
| 4.4.3 整体优化的K-means聚类过程描述 | 第48-49页 |
| 4.4.4 文本聚类话题识别 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 实验结果与分析 | 第51-61页 |
| 5.1 实验环境 | 第51页 |
| 5.2 信息采集实验结果及分析 | 第51-52页 |
| 5.3 聚类实验结果及分析 | 第52-60页 |
| 5.3.1 文本聚类评价标准 | 第53页 |
| 5.3.2 实验相关参数设定 | 第53-55页 |
| 5.3.3 文本聚类结果与分析 | 第55-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |