| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国内研究现状 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 话题检测技术分析 | 第16-26页 |
| 2.1 话题检测技术 | 第16-17页 |
| 2.2 中文分词技术 | 第17-19页 |
| 2.3 文本聚类算法 | 第19-25页 |
| 2.3.1 基于划分的聚类算法 | 第20-21页 |
| 2.3.2 基于层次的聚类算法 | 第21-23页 |
| 2.3.3 基于密度的聚类算法 | 第23-24页 |
| 2.3.4 基于网格的聚类算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 微博文本的特征提取与权值计算 | 第26-38页 |
| 3.1 微博数据的预处理 | 第26-28页 |
| 3.1.1 删除噪音数据 | 第26-27页 |
| 3.1.2 中文分词处理 | 第27-28页 |
| 3.1.3 删除停用词 | 第28页 |
| 3.2 文本特征词汇的提取 | 第28-31页 |
| 3.2.1 特征词汇选择方法 | 第28-30页 |
| 3.2.2 提取特征词汇 | 第30-31页 |
| 3.3 微博数据的文本表示 | 第31-33页 |
| 3.4 特征词汇权重计算 | 第33-36页 |
| 3.4.1 词汇权重计算方法 | 第33-34页 |
| 3.4.2 基于TF-IDF的权值计算 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 微博话题聚类算法研究 | 第38-50页 |
| 4.1 文本的相似度计算 | 第38-39页 |
| 4.2 K-means算法与K-means算法分析 | 第39-43页 |
| 4.2.1 K-means算法 | 第39-41页 |
| 4.2.2 K-means算法分析 | 第41-43页 |
| 4.3 针对微博话题的K-means算法改进 | 第43-47页 |
| 4.3.1 初始聚类中心的选择 | 第43-44页 |
| 4.3.2 聚类中心的选择 | 第44-46页 |
| 4.3.3 基于密度的K-means算法的设计与分析 | 第46-47页 |
| 4.4 微博热点话题提取 | 第47页 |
| 4.5 本章小结 | 第47-50页 |
| 第5章 实验结果分析 | 第50-56页 |
| 5.1 测试环境 | 第50-51页 |
| 5.1.1 系统软硬件环境 | 第50页 |
| 5.1.2 实验数据采集与评价标准 | 第50-51页 |
| 5.2 实验内容及结果分析 | 第51-55页 |
| 5.2.1 相似度阈值的选择实验 | 第51-52页 |
| 5.2.2 不同聚类算法比较与分析 | 第52-55页 |
| 5.3 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |