| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-13页 |
| 1.3 研究方法及特色 | 第13-15页 |
| 1.3.1 研究方法 | 第13-14页 |
| 1.3.2 研究特色 | 第14-15页 |
| 1.4 研究框架 | 第15-17页 |
| 2 相关理论及研究现状 | 第17-31页 |
| 2.1 网络舆情主题发现研究概述 | 第17-22页 |
| 2.1.1 网络舆情主题发现研究现状 | 第18-20页 |
| 2.1.2 基于社会网络分析的网络舆情主题发现研究现状 | 第20-21页 |
| 2.1.3 网络舆情潜在主题发现研究现状 | 第21-22页 |
| 2.2 社会网络分析(SNA)概述 | 第22-25页 |
| 2.2.1 社会网络分析相关理论概述 | 第22-23页 |
| 2.2.2 社区发现方法 | 第23页 |
| 2.2.3 社会网络节点中心性分析方法 | 第23-25页 |
| 2.3 微博数据分析 | 第25-28页 |
| 2.3.1 微博内容分析 | 第25-27页 |
| 2.3.2 微博用户属性分析 | 第27页 |
| 2.3.3 微博用户行为分析 | 第27-28页 |
| 2.4 微博影响力分析 | 第28-30页 |
| 2.4.1 理论与方法研究概述 | 第28-29页 |
| 2.4.2 微博影响力与用户行为关系 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 潜在主题发现模型构建 | 第31-41页 |
| 3.1 潜在主题发现模型的构建思路 | 第31-32页 |
| 3.2 用户行为关系网络构建 | 第32-33页 |
| 3.3 用户行为关系网络社区发现 | 第33-34页 |
| 3.4 关键用户节点挖掘 | 第34-37页 |
| 3.5 关键用户—微博映射 | 第37-38页 |
| 3.6 潜在主题抽取 | 第38-40页 |
| 3.6.1 词性与主题表达能力的关系分析 | 第38-39页 |
| 3.6.2 基于词频和TF-IDF的关键词过滤 | 第39页 |
| 3.6.3 关键词共现分析 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 4 网络舆情潜在主题发现实验——以魏则西事件为例 | 第41-66页 |
| 4.1 数据源及预处理 | 第41-49页 |
| 4.1.1 案例事件的选取 | 第41-42页 |
| 4.1.2 数据采集 | 第42-43页 |
| 4.1.3 数据清洗 | 第43-44页 |
| 4.1.4 数据预处理 | 第44-49页 |
| 4.2 实验一——关键用户节点挖掘 | 第49-54页 |
| 4.2.1 实验设计 | 第49-50页 |
| 4.2.2 用户行为关系网络社区发现 | 第50-53页 |
| 4.2.3 用户节点影响力计算 | 第53-54页 |
| 4.3 实验二——关键微博节点抽取 | 第54-55页 |
| 4.4 实验三——潜在主题抽取 | 第55-58页 |
| 4.4.1 实验设计 | 第55-56页 |
| 4.4.2 实验过程 | 第56-58页 |
| 4.5 实验结果分析 | 第58-63页 |
| 4.5.1 "魏则西事件"网络舆情主题演变过程分析 | 第58-60页 |
| 4.5.2 链式演化衍生型——网络舆情潜在主题发现 | 第60-62页 |
| 4.5.3 辐射汇聚式演化衍生型——网络舆情潜在主题发现 | 第62-63页 |
| 4.6 医疗领域网络舆情主题演变衍生模式 | 第63-65页 |
| 4.6.1 链式演化衍生模式 | 第63-64页 |
| 4.6.2 辐射汇聚式演化衍生模式 | 第64-65页 |
| 4.7 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-69页 |
| 5.1 本文的主要工作 | 第66-67页 |
| 5.2 研究不足和展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
| 附录 | 第76页 |
