话题驱动的网络舆情监测系统设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外相关研究 | 第12-15页 |
| 1.2.1 理论研究 | 第12-13页 |
| 1.2.2 国内外同类系统发展现状 | 第13-15页 |
| 1.3 本文研究工作 | 第15页 |
| 1.4 论文组织框架 | 第15-17页 |
| 2 网页数据采集 | 第17-21页 |
| 2.1 元搜索技术 | 第17-19页 |
| 2.1.1 元搜索引擎原理 | 第17页 |
| 2.1.2 元搜索引擎的特点 | 第17-18页 |
| 2.1.3 元搜索引擎的工作流程 | 第18-19页 |
| 2.2 网络爬虫 | 第19-20页 |
| 2.2.1 网络爬虫工作原理 | 第19页 |
| 2.2.2 网络爬虫爬行策略 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 3 网页及信息预处理 | 第21-32页 |
| 3.1 网页去噪 | 第21-22页 |
| 3.1.1 单模型网页去噪 | 第21页 |
| 3.1.2 多模型网页去噪 | 第21-22页 |
| 3.2 网页信息抽取技术 | 第22-27页 |
| 3.2.1 模板无关的全自动信息抽取技术 | 第22-23页 |
| 3.2.2 基于模板的信息抽取技术 | 第23-27页 |
| 3.3 中文分词 | 第27-28页 |
| 3.3.1 NLPIR | 第27页 |
| 3.3.2 LTP | 第27-28页 |
| 3.4 文本表示与文本特征提取 | 第28-31页 |
| 3.4.1 文本表示 | 第28-29页 |
| 3.4.2 文本特征提取 | 第29-30页 |
| 3.4.3 特征权重计算 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 舆情分析 | 第32-39页 |
| 4.1 话题发现 | 第32-35页 |
| 4.1.1 LDA模型介绍 | 第32-33页 |
| 4.1.2 LDA文档建模 | 第33页 |
| 4.1.3 确定最优主题数 | 第33-34页 |
| 4.1.4 子话题划分 | 第34-35页 |
| 4.2 情感分析 | 第35-38页 |
| 4.2.1 基于词典和规则的方法 | 第35-36页 |
| 4.2.2 基于机器学习的方法 | 第36-38页 |
| 4.3 本章小结 | 第38-39页 |
| 5 话题驱动的网络舆情监测系统设计与实现 | 第39-53页 |
| 5.1 系统整体设计 | 第39-44页 |
| 5.1.1 系统体系结构设计 | 第39页 |
| 5.1.2 系统模块划分 | 第39-40页 |
| 5.1.3 系统功能划分 | 第40-41页 |
| 5.1.4 系统整体流程图 | 第41-42页 |
| 5.1.5 系统整体页面设计 | 第42-44页 |
| 5.2 网页数据采集模块 | 第44-45页 |
| 5.2.1 网站选择 | 第44页 |
| 5.2.2 网页采集 | 第44-45页 |
| 5.3 网页及信息预处理模块 | 第45-48页 |
| 5.3.1 网页去噪 | 第45页 |
| 5.3.2 信息抽取 | 第45-48页 |
| 5.4 舆情分析模块 | 第48-52页 |
| 5.4.1 话题发现 | 第48-49页 |
| 5.4.2 情感分析 | 第49-52页 |
| 5.5 本章小节 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 个人简历在学期间发表的学术论文及研究成果 | 第58-59页 |
| 个人简历 | 第58页 |
| 研究成果 | 第58-59页 |
| 致谢 | 第59页 |
