基于微博事件的话题溯源方法
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的背景与意义 | 第10页 |
| 1.1.1 课题的背景 | 第10页 |
| 1.1.2 课题的目的与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 数据溯源方向 | 第11页 |
| 1.2.2 数据技术方向 | 第11-12页 |
| 1.2.3 话题识别与跟踪方向 | 第12-13页 |
| 1.3 论文研究内容及目标 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 文本表达模型与聚类算法 | 第16-28页 |
| 2.1 文本挖掘的表达模型 | 第16-20页 |
| 2.1.1 文本表达模型概述 | 第16页 |
| 2.1.2 传统的向量空间模型 | 第16-18页 |
| 2.1.3 概率主题表达模型 | 第18-20页 |
| 2.2 文本挖掘的聚类算法 | 第20-25页 |
| 2.2.1 文本聚类算法概述 | 第20-21页 |
| 2.2.2 文本聚类算法的类别 | 第21-23页 |
| 2.2.3 文本聚类算法的评价方法 | 第23-25页 |
| 2.2.4 常用聚类算法的比较 | 第25页 |
| 2.3 本章小结 | 第25-28页 |
| 第3章 基于微博事件的话题溯源方法 | 第28-44页 |
| 3.1 引言 | 第28-29页 |
| 3.2 基于向量空间和LDA的交互模型 | 第29-32页 |
| 3.2.1 向量空间模型 | 第29页 |
| 3.2.2 LDA模型 | 第29-30页 |
| 3.2.3 交互模型 | 第30-32页 |
| 3.3 改进的蚁群聚类算法 | 第32-36页 |
| 3.3.1 蚁群聚类算法的引入 | 第32页 |
| 3.3.2 基本蚁群聚类算法 | 第32-34页 |
| 3.3.3 一种改进的蚁群聚类算法 | 第34-36页 |
| 3.4 基于微博事件的话题溯源方法 | 第36-43页 |
| 3.4.1 微博事件话题溯源的流程 | 第36-37页 |
| 3.4.2 微博的相关属性 | 第37-38页 |
| 3.4.3 微博事件话题溯源的方法实现 | 第38-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 实验与结果分析 | 第44-60页 |
| 4.1 实验环境 | 第44页 |
| 4.2 实验数据的采集与预处理 | 第44-46页 |
| 4.3 实验的评价方法与标准 | 第46-48页 |
| 4.3.1 文本建模的评价方法 | 第46-47页 |
| 4.3.2 聚类分析的评价标准 | 第47-48页 |
| 4.4 文本建模的实验分析 | 第48-53页 |
| 4.4.1 空间向量建模 | 第48-49页 |
| 4.4.2 LDA建模 | 第49-50页 |
| 4.4.3 交互模型的建模 | 第50-51页 |
| 4.4.4 交互模型的结果分析 | 第51-53页 |
| 4.5 聚类结果实验分析 | 第53-54页 |
| 4.6 话题溯源的实验结果分析 | 第54-58页 |
| 4.7 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第66-68页 |
| 致谢 | 第68页 |
