| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究目的和意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 课题研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 舆情分析 | 第11-12页 |
| 1.2.2 舆情关键词 | 第12-13页 |
| 1.2.3 微博文本分类 | 第13页 |
| 1.2.4 本文的研究内容 | 第13-14页 |
| 1.2.5 本文的章节安排 | 第14-16页 |
| 第2章 基于主题模型的用户兴趣建模 | 第16-28页 |
| 2.1 文本预处理 | 第16-18页 |
| 2.1.1 语料获取 | 第16页 |
| 2.1.2 数据规格 | 第16-17页 |
| 2.1.3 数据去噪 | 第17-18页 |
| 2.1.4 主题表征词选择 | 第18页 |
| 2.2 LABELED-LDA主题模型简介 | 第18-23页 |
| 2.2.1 Labeled-LDA理论基础 | 第19-20页 |
| 2.2.2 Labeled-LDA模型文件解析 | 第20-21页 |
| 2.2.3 优质Topic筛选算法 | 第21-23页 |
| 2.3 微博用户兴趣模型 | 第23-27页 |
| 2.3.1 语料获取与标注 | 第24-25页 |
| 2.3.2 准备训练数据 | 第25-26页 |
| 2.3.3 兴趣识别 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于Xgboost回归模型的微博短文本分类 | 第28-41页 |
| 3.1 基于主题特征扩展的微博文本分类 | 第28-30页 |
| 3.1.1 文本预处理 | 第28-29页 |
| 3.1.2 特征选择 | 第29页 |
| 3.1.3 主题特征扩展 | 第29-30页 |
| 3.2 基于GBDT回归模型的微博文本分类 | 第30-33页 |
| 3.2.1 Boosting算法 | 第30-31页 |
| 3.2.2 GBDT梯度回归算法 | 第31-33页 |
| 3.3 实验与分析 | 第33-39页 |
| 3.3.1 实验数据 | 第33-34页 |
| 3.3.2 实验评价指标 | 第34-35页 |
| 3.3.3 Baseline实验 | 第35-36页 |
| 3.3.4 GBDT梯度回归算法与SVM分类算法比较 | 第36-37页 |
| 3.3.5 主题模型特征扩展实验 | 第37-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 基于翻译模型的舆情关键词提取 | 第41-50页 |
| 4.1 引言 | 第41页 |
| 4.2 TEXTRANK简介 | 第41-42页 |
| 4.3 基于翻译模型的舆情关键词抽取 | 第42-46页 |
| 4.3.1 准备“文档-标题”翻译对 | 第42-44页 |
| 4.3.2 机器翻译词对齐技术 | 第44-46页 |
| 4.3.3 舆情关键词抽取 | 第46页 |
| 4.4 实验结果及分析 | 第46-49页 |
| 4.4.1 语料获取 | 第47页 |
| 4.4.2 实验设置 | 第47-48页 |
| 4.4.3 实验结果与分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 高校学生网络舆情分析系统设计与实现 | 第50-66页 |
| 5.1 系统设计 | 第51-52页 |
| 5.2 功能模块 | 第52-57页 |
| 5.2.1 数据库模块 | 第53-55页 |
| 5.2.2 数据API模块 | 第55-56页 |
| 5.2.3 微博用户兴趣建模系统 | 第56页 |
| 5.2.4 知乎舆情分析系统 | 第56-57页 |
| 5.3 系统展示 | 第57-66页 |
| 5.3.1 微博关键词效果示例 | 第58-59页 |
| 5.3.2 知乎舆情分析效果示例 | 第59-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间发表的学术论文 | 第71-73页 |
| 致谢 | 第73页 |