基于微博的网络热点发现研究
| 摘要 | 第1-3页 |
| Abstract | 第3-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-11页 |
| ·国内外相关研究 | 第11-13页 |
| ·话题发现与跟踪的相关研究 | 第11-12页 |
| ·网络舆情研究 | 第12-13页 |
| ·短文本相关研究 | 第13页 |
| ·本文研究内容 | 第13-14页 |
| ·论文组织安排 | 第14-15页 |
| 第2章 相关技术 | 第15-29页 |
| ·Web 文本挖掘技术 | 第15-18页 |
| ·文本挖掘所用到的关键技术 | 第16-18页 |
| ·文本聚类 | 第18-22页 |
| ·文本模型分析 | 第18-20页 |
| ·主要聚类算法分析 | 第20-22页 |
| ·数据采集及提取技术 | 第22-26页 |
| ·网络爬虫 | 第22-25页 |
| ·页面抽取技术 | 第25-26页 |
| ·分词技术 | 第26-29页 |
| 第3章 短文本聚类模型 | 第29-37页 |
| ·常规文本聚类模型 | 第29-30页 |
| ·短文本特性分析 | 第30-32页 |
| ·短文本聚类模型的提出 | 第32-33页 |
| ·具体功能分析 | 第33-37页 |
| 第4章 基于短文本的聚类过程 | 第37-49页 |
| ·会话抽取 | 第37-42页 |
| ·短文本信息流的基本特征 | 第37-38页 |
| ·相关算法介绍 | 第38页 |
| ·相关性度量及 RMR | 第38-41页 |
| ·算法描述 | 第41-42页 |
| ·相似性计算 | 第42-44页 |
| ·问题描述 | 第42页 |
| ·相关技术分析 | 第42-43页 |
| ·改进的相似性度量算法 TF-IDF | 第43-44页 |
| ·混合聚类算法 | 第44-49页 |
| ·基于频繁词集的聚类方法 | 第44-45页 |
| ·k-means 算法 | 第45-46页 |
| ·混合聚类算法 | 第46-49页 |
| 第5章 实验分析 | 第49-59页 |
| ·实验设置 | 第49页 |
| ·实验评测指标 | 第49-50页 |
| ·准确率与召回率 | 第49-50页 |
| ·测试数据的采集 | 第50-53页 |
| ·实验结果分析 | 第53-59页 |
| ·会话抽取分析 | 第53-55页 |
| ·聚类分析 | 第55-59页 |
| 总结与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文 | 第65-67页 |
| 致谢 | 第67-68页 |
| 详细摘要 | 第68-72页 |
