| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外相关研究现状 | 第11-13页 |
| 1.2.1 MCMC方法的研究现状 | 第11-12页 |
| 1.2.2 文本建模的研究现状 | 第12-13页 |
| 1.3 本文的研究内容与组织安排 | 第13-15页 |
| 第2章 MCMC方法与文本建模 | 第15-29页 |
| 2.1 MCMC方法 | 第15-20页 |
| 2.1.1 随机模拟概述 | 第15-16页 |
| 2.1.2 MCMC方法中的马尔科夫链 | 第16-18页 |
| 2.1.3 Metropolis-Hastings算法 | 第18-19页 |
| 2.1.4 Gibbs Sampling算法 | 第19-20页 |
| 2.2 文本建模 | 第20-28页 |
| 2.2.1 N元语言模型 | 第21-22页 |
| 2.2.2 一元语言模型用于文本建模 | 第22-23页 |
| 2.2.3 贝叶斯化的一元语言模型用于文本建模 | 第23-26页 |
| 2.2.4 基于概率主题模型的文本建模 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 MCMC方法应用于文本主题建模 | 第29-45页 |
| 3.1 基于LDA的文本主题建模 | 第29-40页 |
| 3.1.1 LDA的概率图模型 | 第29-31页 |
| 3.1.2 LDA的文档生成过程 | 第31-33页 |
| 3.1.3 LDA的联合概率分布 | 第33-40页 |
| 3.2 用MCMC方法估计LDA的参数估计 | 第40-44页 |
| 3.2.1 MCMC的Gibbs Sampling算法 | 第40-41页 |
| 3.2.2 用Gibbs Sampling算法实现文本主题挖掘 | 第41-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第4章 基于LDA的微博用户兴趣挖掘系统的设计与实现 | 第45-62页 |
| 4.1 系统功能描述 | 第45-46页 |
| 4.2 系统设计方案 | 第46-54页 |
| 4.2.1 需求分析 | 第46-47页 |
| 4.2.2 模块设计 | 第47-54页 |
| 4.3 系统实现 | 第54-61页 |
| 4.3.1 文本预处理模块 | 第54-57页 |
| 4.3.2 用TFIDF建立词汇表 | 第57-58页 |
| 4.3.3 学习训练LDA主题模型 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 实验验证和结果分析 | 第62-67页 |
| 5.1 实验环境和实验数据 | 第62-63页 |
| 5.1.1 实验的软硬件环境 | 第62页 |
| 5.1.2 实验数据和数据的预处理 | 第62-63页 |
| 5.2 实验的评价指标 | 第63-64页 |
| 5.3 实验结果分析 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 结论与展望 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 致谢 | 第70页 |
