基于特征识别与实证分析的热点事件识别技术研究

目录

声明

第一章 绪论

1.1 研究背景与研究意义

1.2 国内外研究现状

1.2.1 网络热点事件识别技术

1.2.2 网络热点事件早期识别技术

1.3 论文研究内容

1.4 论文组织结构

第二章 相关理论和技术

2.1.1 网络爬虫概述

2.1.2 网络爬虫的分类

2.1.3 网络爬虫原理

2.2 文本预处理技术

2.2.1 文本分词

2.2.2 文本表示

2.2.3 常用向量距离计算公式

2.3 机器学习聚类方法简介

2.3.1 K-Means

2.3.2Mini Batch KMeans

2.3.3 DBSCAN

2.3.4 Single-Pass

2.4 网络热点事件定义

2.4.1 二八定律

2.4.2 网络热点事件

2.5 机器学习分类方法简介

2.5.1 逻辑回归

2.5.2 决策树

2.5.3 SVM

2.5.4 K近邻

2.5.5 朴素贝叶斯

2.6 本章小结

第三章 KSSP网络热点事件识别方法

3.1 网络热点事件特征

3.1.1 网络热点事件话题数量

3.1.2 网络热点事件话题间的联系

3.2.1 新闻文本表示及相似度计算方法

3.2.2 KSSP网络热点事件识别方法描述

3.3.1 实验数据集与实验设置

3.3.2 实验评价指标

3.3.3 实验平台

3.3.4 实验结果与分析

3.4 本章小结

第四章 基于网络事件早期特征的热点事件早期识别方法

4.1 数据准备

4.1.1 数据采集与筛选

4.1.2 网络事件热度计算公式

4.2 网络事件早期定义

4.2.1 网络热点事件生命周期

4.2.2 网络事件早期定义

4.3 网络事件热度影响因素表现特征

4.3.1 媒体发布的新闻数均值

4.3.2 媒体关注度

4.3.3 极端情绪占比

4.3.4 用户关注度

4.4.1 网络热点事件特征中的异常值

4.4.2 差异显著性检验

4.5 网络事件早期特征

4.5.1 网络事件早期特征研究数据集

4.5.2 网络事件早期特征

4.6 基于网络事件早期特征的热点事件早期识别方法

4.7.1 实验数据集

4.7.2 实验对比方法

4.7.3 实验评估方法

4.7.4 实验结果与分析

4.8 本章小结

第五章 网络热点事件识别技术的应用

5.1.1 系统开发背景介绍

5.1.2 舆情定制系统功能介绍

5.1.3 系统难点

5.2.1 成果应用

5.2.2 系统功能展示

5.3 本章小结

第六章 总结和展望

6.1 工作总结

6.2 未来工作展望

致谢

参考文献

附录