| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 话题检测技术研究现状 | 第13-14页 |
| 1.2.2 话题跟踪技术研究现状 | 第14-15页 |
| 1.3 研究目标与研究内容 | 第15页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关技术 | 第17-26页 |
| 2.1 文本预处理 | 第17-18页 |
| 2.2 文本模型化表示 | 第18-20页 |
| 2.2.1 语言模型 | 第18-19页 |
| 2.2.2 向量空间模型 | 第19-20页 |
| 2.3 文本特征提取及相似度计算 | 第20-22页 |
| 2.3.1 文本特征提取 | 第20-21页 |
| 2.3.2 相似度计算方法 | 第21-22页 |
| 2.4 文本聚类方法 | 第22-25页 |
| 2.4.1 基于划分的方法 | 第22-24页 |
| 2.4.2 层次聚类方法 | 第24页 |
| 2.4.3 基于密度的方法 | 第24页 |
| 2.4.4 基于网格的方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 微博数据特征分析及信息过滤 | 第26-36页 |
| 3.1 微博数据特征分析 | 第26-28页 |
| 3.1.1 用户特征分析 | 第26-27页 |
| 3.1.2 微博内容特征分析 | 第27页 |
| 3.1.3 微博时间特征分析 | 第27-28页 |
| 3.2 微博特征统计与信息过滤 | 第28-34页 |
| 3.2.1 微博用户过滤 | 第28-31页 |
| 3.2.2 微博内容过滤 | 第31页 |
| 3.2.3 微博词特征 | 第31-32页 |
| 3.2.4 微博时序特征 | 第32-34页 |
| 3.3 无效微博过滤结果 | 第34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于时间特性的微博热点话题检测与跟踪方法 | 第36-50页 |
| 4.1 基于时间特性的微博热点话题检测与跟踪方法流程设计 | 第36页 |
| 4.2 微博文本模型化 | 第36-38页 |
| 4.3 基于SINGLE-PASS聚类的话题初步检测 | 第38-43页 |
| 4.3.1 相似度计算 | 第38-40页 |
| 4.3.2 基于微博权重的话题向量更新 | 第40-41页 |
| 4.3.3 基于Single-Pass聚类的微博话题初步检测算法 | 第41-42页 |
| 4.3.4 话题表示 | 第42-43页 |
| 4.4 基于FP-GROWTH频繁项集发现的频繁特征词挖掘 | 第43-45页 |
| 4.4.1 FP-Growth频繁项集发现 | 第43-44页 |
| 4.4.2 基于FP-Growth的频发特征词集挖掘算法 | 第44-45页 |
| 4.5 基于K-MEDOIDS聚类的话题抽取算法 | 第45-47页 |
| 4.6 基于时间特性的多查询向量话题跟踪算法 | 第47-48页 |
| 4.7 本章小结 | 第48-50页 |
| 第五章 实验 | 第50-56页 |
| 5.1 实验数据及实验环境 | 第50页 |
| 5.2 微博热点话题检测算法评估 | 第50-53页 |
| 5.2.1 话题检测结果示例 | 第50-51页 |
| 5.2.2 话题检测综合评测 | 第51-53页 |
| 5.3 基于时间特性的多向量自适应话题跟踪算法评估 | 第53-55页 |
| 5.3.1 话题跟踪结果示例 | 第53-55页 |
| 5.3.2 话题跟踪综合评测 | 第55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
