互联网舆情监控系统的关键技术研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题背景及研究意义 | 第9-10页 |
| ·舆情概述 | 第9页 |
| ·研究的目的和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·学位论文的主要内容 | 第11-13页 |
| 第二章 相关理论与技术研究 | 第13-29页 |
| ·舆情监控技术框架 | 第13-15页 |
| ·舆情监控系统概述 | 第13页 |
| ·系统框架结构 | 第13-14页 |
| ·舆情监控系统关键技术 | 第14-15页 |
| ·舆情监控系统存在的问题 | 第15页 |
| ·微博Web文本信息获取技术 | 第15-17页 |
| ·基于网络爬虫的数据获取技术 | 第15-17页 |
| ·基于微博开放平台的数据获取技术 | 第17页 |
| ·中文分词技术 | 第17-18页 |
| ·特征降维 | 第18-21页 |
| ·特征选择 | 第18-20页 |
| ·特征权重计算 | 第20-21页 |
| ·文本表示 | 第21-24页 |
| ·空间向量模型 | 第21-23页 |
| ·布尔模型 | 第23-24页 |
| ·概率模型 | 第24页 |
| ·语言模型 | 第24页 |
| ·相似度计算 | 第24-25页 |
| ·文本聚类的主要方法 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 微博文本预处理及未登录词识别 | 第29-39页 |
| ·短文本数据特点分析 | 第29页 |
| ·微博短文本预处理 | 第29-32页 |
| ·符号预处理 | 第30-31页 |
| ·中文分词 | 第31-32页 |
| ·未登录词识别算法 | 第32-36页 |
| ·未登录词识别 | 第32-33页 |
| ·微博未登录词识别算法 | 第33-36页 |
| ·实验与结果分析 | 第36-38页 |
| ·实验环境 | 第36页 |
| ·数据采集 | 第36页 |
| ·实验结果 | 第36-37页 |
| ·结果分析 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 微博短文本聚类技术研究与优化 | 第39-55页 |
| ·向量空间模型 | 第39-40页 |
| ·文档主题生成模型 | 第40-42页 |
| ·基于LDA的传统K-means算法 | 第42-44页 |
| ·算法思想描述 | 第43-44页 |
| ·存在的局限 | 第44页 |
| ·优化的K-means算法 | 第44-48页 |
| ·初始中心的确定优化 | 第45-46页 |
| ·文本相似度计算优化 | 第46-47页 |
| ·整体优化的K-means聚类算法 | 第47-48页 |
| ·实验与结果分析 | 第48-53页 |
| ·实验环境 | 第48页 |
| ·文本聚类评价标准 | 第48-49页 |
| ·实验相关参数设定 | 第49-51页 |
| ·微博文本聚类结果与分析 | 第51-53页 |
| ·本章小结 | 第53-55页 |
| 第五章 舆情监控系统设计与实现 | 第55-67页 |
| ·系统总体设计 | 第55-57页 |
| ·系统需求分析 | 第55页 |
| ·系统设计目标 | 第55-57页 |
| ·功能模块详细设计与实现 | 第57-63页 |
| ·数据采集模块 | 第57-59页 |
| ·文本预处理 | 第59-60页 |
| ·短文本聚类 | 第60页 |
| ·微博舆情分析模块 | 第60-63页 |
| ·系统功能描述 | 第63-65页 |
| ·系统设置 | 第63-64页 |
| ·数据采集 | 第64页 |
| ·监控设置 | 第64-65页 |
| ·门户管理 | 第65页 |
| ·本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| ·总结 | 第67页 |
| ·展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-73页 |
