| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要的研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 社交网络热点话题发现的相关技术介绍 | 第15-26页 |
| 2.1 引言 | 第15页 |
| 2.2 社交网络特点 | 第15-16页 |
| 2.3 社交网络热点话题推荐的相关技术 | 第16-23页 |
| 2.3.1 数据获取 | 第17页 |
| 2.3.2 数据预处理 | 第17-19页 |
| 2.3.3 创建文本模型 | 第19-22页 |
| 2.3.4 文本间相似度的计算 | 第22-23页 |
| 2.4 热点话题推荐算法 | 第23-25页 |
| 2.4.1 文本处理算法 | 第23-24页 |
| 2.4.2 朴素贝叶斯分类算法 | 第24-25页 |
| 2.4.3 K-means聚类算法 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 社交网络热点话题推荐算法 | 第26-35页 |
| 3.1 引言 | 第26页 |
| 3.2 基于NBC的热点文本选择算法 | 第26-30页 |
| 3.2.1 HTSNB算法 | 第26-29页 |
| 3.2.2 实验环境与数据集 | 第29页 |
| 3.2.3 实验过程与结果分析 | 第29-30页 |
| 3.3 基于K-means初始聚类中心选择算法 | 第30-34页 |
| 3.3.1 ICCSKM算法 | 第31-32页 |
| 3.3.2 实验环境与数据集 | 第32页 |
| 3.3.3 实验过程与结果分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于改进的K-Means聚类算法的优化 | 第35-46页 |
| 4.1 引言 | 第35页 |
| 4.2 基于改进的K-Means算法的MapReduce并行化 | 第35-37页 |
| 4.3 基于块的改进K-means聚类算法 | 第37页 |
| 4.4 分块算法 | 第37-39页 |
| 4.5 块内改进的K-means聚类 | 第39-40页 |
| 4.6 块的合并 | 第40-42页 |
| 4.7 BBIK-means聚类算法理论性能分析 | 第42-43页 |
| 4.8 实验环境与数据集 | 第43页 |
| 4.9 实验过程与结果分析 | 第43-45页 |
| 4.10 本章小结 | 第45-46页 |
| 第五章 社交网络热点话题推荐系统的设计与实现 | 第46-60页 |
| 5.1 引言 | 第46页 |
| 5.2 需求描述 | 第46-47页 |
| 5.3 系统架构设计 | 第47-48页 |
| 5.4 功能模块设计 | 第48-49页 |
| 5.5 系统数据库设计 | 第49-53页 |
| 5.5.1 数据库E-R图 | 第49-51页 |
| 5.5.2 数据库关系表 | 第51-53页 |
| 5.6 功能模块实现 | 第53-55页 |
| 5.7 功能模块展示 | 第55-59页 |
| 5.7.1 热门话题展示 | 第55-56页 |
| 5.7.2 改进的NBC准确率统计展示 | 第56-57页 |
| 5.7.3 改进的K-means性能对比模块展示 | 第57-58页 |
| 5.7.4 BBIK-means消耗时间对比 | 第58-59页 |
| 5.8 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60页 |
| 6.2 未来展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |