基于爬虫和LDA的新闻话题挖掘
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状及分析 | 第10-12页 |
| 1.2.1 新闻话题挖掘 | 第10-11页 |
| 1.2.2 网络爬虫技术 | 第11页 |
| 1.2.3 主题模型 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13页 |
| 1.5 本章小结 | 第13-15页 |
| 第2章 相关知识 | 第15-24页 |
| 2.1 贝叶斯方法 | 第15-16页 |
| 2.1.1 贝叶斯分析 | 第15页 |
| 2.1.2 狄利克雷分布 | 第15-16页 |
| 2.1.3 共轭分布 | 第16页 |
| 2.2 网络爬虫 | 第16-19页 |
| 2.2.1 爬虫原理 | 第17-18页 |
| 2.2.2 Robots协议 | 第18-19页 |
| 2.2.3 URL查重 | 第19页 |
| 2.3 LDA模型 | 第19-23页 |
| 2.3.1 LDA模型介绍 | 第19-21页 |
| 2.3.2 MCMC与吉布斯采样 | 第21-22页 |
| 2.3.3 LDA的主题个数 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 分布式新闻爬虫的设计 | 第24-36页 |
| 3.1 Hadoop平台介绍 | 第24-26页 |
| 3.1.1 HDFS文件系统 | 第24-25页 |
| 3.1.2 Mapreduce编程模型 | 第25-26页 |
| 3.2 新闻爬虫的流程 | 第26-27页 |
| 3.3 新闻爬虫的功能模块 | 第27-32页 |
| 3.3.1 控制模块 | 第27页 |
| 3.3.2 网页下载模块 | 第27-28页 |
| 3.3.3 新闻提取模块 | 第28-30页 |
| 3.3.4 URL解析模块 | 第30-31页 |
| 3.3.5 URL过滤模块 | 第31-32页 |
| 3.4 实验平台的搭建 | 第32-33页 |
| 3.4.1 软硬件环境 | 第32页 |
| 3.4.2 软件环境搭建 | 第32页 |
| 3.4.3 Hadoop集群的部署 | 第32-33页 |
| 3.5 实验结果 | 第33-34页 |
| 3.6 本章小结 | 第34-36页 |
| 第4章 基于LDA的新闻话题挖掘 | 第36-46页 |
| 4.1 文本预处理 | 第36-37页 |
| 4.1.1 中文分词 | 第36-37页 |
| 4.1.2 TF-IDF权值 | 第37页 |
| 4.2 吉布斯采样公式的推导 | 第37-39页 |
| 4.3 新闻话题抽取 | 第39-42页 |
| 4.3.1 话题热点词 | 第39-40页 |
| 4.3.2 话题相关的新闻 | 第40-41页 |
| 4.3.3 话题的热度 | 第41页 |
| 4.3.4 话题抽取的流程 | 第41-42页 |
| 4.4 新文档的话题预测 | 第42-43页 |
| 4.5 实验结果与分析 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 新闻话题挖掘系统的设计与实现 | 第46-51页 |
| 5.1 系统总体设计 | 第46-47页 |
| 5.2 系统详细设计 | 第47-50页 |
| 5.2.1 话题挖掘 | 第47-48页 |
| 5.2.2 信息存储 | 第48页 |
| 5.2.3 用户界面 | 第48-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-52页 |
| 6.1 本文总结 | 第51页 |
| 6.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55页 |
