基于语义的网络流行语趋势分析
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 词语语义相关度计算 | 第11-12页 |
| 1.2.2 事件发现算法 | 第12-13页 |
| 1.3 研究内容 | 第13-15页 |
| 第二章 相关技术介绍 | 第15-19页 |
| 2.1 皮尔逊相关系数 | 第15页 |
| 2.2 信息熵 | 第15-16页 |
| 2.3 最短路径 | 第16页 |
| 2.4 信息距离 | 第16页 |
| 2.5 WIKI链接度量 | 第16-17页 |
| 2.6 WORD2VEC | 第17页 |
| 2.7 LDA模型 | 第17-18页 |
| 2.8 K-MEANS聚类 | 第18页 |
| 2.9 总结 | 第18-19页 |
| 第三章 融合语义相似度计算方法 | 第19-32页 |
| 3.1 相关工作 | 第19-20页 |
| 3.2 改进思路 | 第20-21页 |
| 3.3 矩阵学习过程 | 第21-23页 |
| 3.4 多关系融合 | 第23页 |
| 3.5 语义表示学习 | 第23-25页 |
| 3.6 关系矩阵获取 | 第25页 |
| 3.7 实验验证 | 第25-31页 |
| 3.7.1 对照方法 | 第26页 |
| 3.7.2 数据集 | 第26页 |
| 3.7.3 实验过程 | 第26-28页 |
| 3.7.4 实验结果 | 第28-29页 |
| 3.7.5 计算复杂度估计 | 第29-30页 |
| 3.7.6 案例说明 | 第30-31页 |
| 3.8 结论 | 第31-32页 |
| 第四章 改进的LDA事件发现方法 | 第32-44页 |
| 4.1 相关工作 | 第32-33页 |
| 4.2 预处理 | 第33页 |
| 4.3 获取主题词 | 第33-34页 |
| 4.4 获取每日事件 | 第34-36页 |
| 4.5 合并每日事件 | 第36-37页 |
| 4.6 结合主题词频因素 | 第37-38页 |
| 4.7 计算复杂度估计 | 第38页 |
| 4.8 实验验证 | 第38-43页 |
| 4.8.1 主题数量对比 | 第38-39页 |
| 4.8.2 主题词距离定义对比 | 第39-41页 |
| 4.8.3 事件合并方法对比 | 第41-43页 |
| 4.9 结论 | 第43-44页 |
| 第五章 流行语趋势分析系统实现 | 第44-50页 |
| 5.1 实验过程 | 第44-49页 |
| 5.1.1 新浪微博数据爬取 | 第45页 |
| 5.1.2 文档预处理 | 第45-46页 |
| 5.1.3 每日关联词计算 | 第46页 |
| 5.1.4 每日LDA事件聚类 | 第46-47页 |
| 5.1.5 事件合并 | 第47-48页 |
| 5.1.6 词语演化趋势 | 第48-49页 |
| 5.2 结论 | 第49-50页 |
| 第六章 结论与展望 | 第50-52页 |
| 6.1 主要结论 | 第50页 |
| 6.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 在学期间的研究成果 | 第55-56页 |
| 致谢 | 第56页 |
