基于微博的数据获取与过滤技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 微博数据获取方法的研究 | 第12-13页 |
| 1.2.2 基于文本分类的数据过滤方法研究 | 第13-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文组织及结构 | 第15-16页 |
| 2 微博研究背景基础与相关理论基础 | 第16-28页 |
| 2.1 微博背景及发展现状 | 第16页 |
| 2.2 意见领袖的选取 | 第16-18页 |
| 2.3 网络文本获取技术 | 第18-23页 |
| 2.3.1 网络爬虫简介 | 第18-19页 |
| 2.3.2 爬虫基本步骤及爬取策略 | 第19-20页 |
| 2.3.3 常用网络爬虫简介 | 第20-23页 |
| 2.4 文本分类 | 第23-28页 |
| 2.4.1 文本分词 | 第24页 |
| 2.4.2 特征选择 | 第24-25页 |
| 2.4.3 传统文本分类模型 | 第25-28页 |
| 3 基于微博的数据获取方法 | 第28-40页 |
| 3.1 基于微博开放平台API | 第28-32页 |
| 3.1.1 微博开放平台使用流程 | 第28-29页 |
| 3.1.2 授权机制 | 第29-31页 |
| 3.1.3 授权有效期 | 第31页 |
| 3.1.4 微博API | 第31-32页 |
| 3.2 定向网络爬虫 | 第32-37页 |
| 3.2.1 模拟登录 | 第33-35页 |
| 3.2.2 网络爬虫数据获取 | 第35-37页 |
| 3.3 基于关注-分组模式 | 第37-40页 |
| 3.3.1 微博关注特点 | 第37页 |
| 3.3.2 微博分组功能 | 第37页 |
| 3.3.3 关注-分组接收机 | 第37-40页 |
| 4 基于微博的数据过滤方法 | 第40-48页 |
| 4.1 文本分类流程 | 第40-41页 |
| 4.2 支持向量机分类器 | 第41-48页 |
| 4.2.1 SVM简介与思想 | 第41-42页 |
| 4.2.2 最优超平面 | 第42-43页 |
| 4.2.3 线性可分SVM | 第43-44页 |
| 4.2.4 线性不可分SVM | 第44-45页 |
| 4.2.5 非线性可分SVM | 第45页 |
| 4.2.6 核函数 | 第45-46页 |
| 4.2.7 SVM使用步骤 | 第46-47页 |
| 4.2.8 SVM优缺点 | 第47-48页 |
| 5 基于微博的数据获取与过滤系统设计与实现 | 第48-66页 |
| 5.1 系统介绍与整体框架 | 第48-49页 |
| 5.2 意见领袖选取模块 | 第49页 |
| 5.3 数据获取模块 | 第49-57页 |
| 5.3.1 基于微博API数据获取 | 第49-52页 |
| 5.3.2 基于定向网络爬虫数据获取 | 第52-56页 |
| 5.3.3 基于关注-分组模式自动接收数据获取 | 第56-57页 |
| 5.4 微博数据抓取内容 | 第57-58页 |
| 5.5 数据过滤模块 | 第58-60页 |
| 5.6 系统实验与分析 | 第60-66页 |
| 5.6.1 实验环境和实验数据 | 第60页 |
| 5.6.2 实验结果及分析 | 第60-66页 |
| 6 总结和展望 | 第66-68页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 硕士研究生阶段取得的主要成果 | 第71页 |
