短文本分类技术在网络舆情分析中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 网络舆情研究现状 | 第11-12页 |
| 1.3 短文本分类研究现状 | 第12-13页 |
| 1.4 本文研究内容 | 第13-14页 |
| 1.5 论文组织结构 | 第14-15页 |
| 第2章 相关技术与理论 | 第15-26页 |
| 2.1 网络爬虫 | 第15-16页 |
| 2.1.1 网络爬虫的概念 | 第15页 |
| 2.1.2 网络爬虫的工作原理 | 第15-16页 |
| 2.2 文本分类 | 第16-21页 |
| 2.2.1 文本预处理 | 第17-18页 |
| 2.2.2 文本表示 | 第18-19页 |
| 2.2.3 特征选择 | 第19-21页 |
| 2.3 常用文本分类方法 | 第21-24页 |
| 2.3.1 朴素贝叶斯算法 | 第21-22页 |
| 2.3.2 K近邻算法 | 第22-23页 |
| 2.3.3 支持向量机算法 | 第23-24页 |
| 2.4 文本分类评价 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于LDA主题模型的短文本分类 | 第26-42页 |
| 3.1 引言 | 第26页 |
| 3.2 主题模型简介 | 第26-28页 |
| 3.2.1 LSI主题模型 | 第26-27页 |
| 3.2.2 PLSI主题模型 | 第27-28页 |
| 3.2.3 LDA主题模型 | 第28页 |
| 3.3 LDA模型研究 | 第28-31页 |
| 3.3.1 LDA模型概述 | 第28-30页 |
| 3.3.2 Gibbs抽样 | 第30-31页 |
| 3.3.3 Dirichlet分布 | 第31页 |
| 3.4 基于LDA主题模型的短文本分类 | 第31-35页 |
| 3.4.1 短文本分类框架 | 第31-32页 |
| 3.4.2 文本预处理 | 第32页 |
| 3.4.3 模型选择 | 第32-35页 |
| 3.4.4 分类器构造 | 第35页 |
| 3.5 搭建实验环境 | 第35-41页 |
| 3.5.1 实验环境和语料 | 第35-36页 |
| 3.5.2 确定最优主题数 | 第36-37页 |
| 3.5.3 实验设计与分析 | 第37-39页 |
| 3.5.4 对比实验设计 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 网络舆情分析系统设计与实现 | 第42-52页 |
| 4.1 系统需求分析 | 第42-43页 |
| 4.2 系统总体结构设计 | 第43-45页 |
| 4.3 系统模块设计 | 第45-47页 |
| 4.4 舆情分析系统实现 | 第47-51页 |
| 4.4.1 开发环境 | 第47-48页 |
| 4.4.2 系统主要功能展示 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52页 |
| 5.2 研究展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
