微博是一種基于相關(guān)關(guān)系、信息共享、傳播和注冊用戶獲取信息的移動信息平臺。微博傳播的速度和形式與電視新聞、報(bào)紙等傳統(tǒng)的媒介傳播方式都大不相同,微博更為簡單、迅速、快捷、清晰地表述了事件的整個(gè)過程。截至2019年3月,微博活躍注冊用戶已遠(yuǎn)比同季度社交網(wǎng)絡(luò)平臺用戶多。轉(zhuǎn)發(fā)微博是信息在微博傳播的主要途徑之一。對微博轉(zhuǎn)發(fā)進(jìn)行預(yù)測在信息推薦、廣告信息精準(zhǔn)投放、突發(fā)事件預(yù)警等方向有重大作用。針對基于用戶興趣特征的文本分類問題應(yīng)用TF-IDF算法融合LDA主題模型的方法來解決,TF-IDF算法用來提取一篇文章或者文本中單詞的重要程度,將不重要的單詞加入到停用詞中。在一篇文章或文本中一些不重要的但是出現(xiàn)次數(shù)特別多的詞匯比如“的、地”等這些詞會直接影響對詞的分析,通過IDF算法在語料庫中出現(xiàn)次數(shù)雖然非常多但是會使詞語重要度降低。TF的值越大代表在文章中該詞出現(xiàn)頻率越大,證明詞越能代表文章主旨,IDF值越小說明在待研究語料庫中總個(gè)數(shù)越少,證明詞越重要以此篩選出真正的高頻并且能代表文章主旨的詞。本文將應(yīng)用TF-IDF算法融合LDA主題模型。用TF-IDF算法提取的停用詞融入到LDA主題判定模型中來提取單詞序列...

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文的選題背景及意義
    1.2 國內(nèi)外研究歷史及現(xiàn)狀
    1.3 論文的主要內(nèi)容
2 信息傳播模型及相關(guān)技術(shù)
    2.1 信息傳播模型
        2.1.1 信息傳播模型
        2.1.2 信息傳播模型基本要素
        2.1.3 微博信息傳播模型
    2.2 相關(guān)技術(shù)支撐
    2.3 本章小結(jié)
3 微博興趣特征提取方法
    3.1 微博內(nèi)容介紹
    3.2 微博數(shù)據(jù)采集
        3.2.1 數(shù)據(jù)采集工具
        3.2.2 數(shù)據(jù)存儲
    3.3 微博內(nèi)容興趣特征提取方法
        3.3.1 微博信息處理
        3.3.2 文本向量化
        3.3.3 微博興趣特征提取方法
        3.3.4 微博興趣特征提取算法設(shè)計(jì)
    3.4 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
4 基于用戶興趣特征的微博轉(zhuǎn)發(fā)預(yù)測方法
    4.1 微博轉(zhuǎn)發(fā)預(yù)測因素
    4.2 基于用戶興趣特征的微博轉(zhuǎn)發(fā)模型
    4.3 基于用戶興趣特征轉(zhuǎn)發(fā)預(yù)測算法
        4.3.1 數(shù)據(jù)處理
        4.3.2 轉(zhuǎn)發(fā)指標(biāo)
        4.3.3 基于用戶興趣特征微博轉(zhuǎn)發(fā)預(yù)測算法設(shè)計(jì)
    4.4 算法結(jié)果及實(shí)驗(yàn)分析
    4.5 本章小結(jié)
5 結(jié)論
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
致謝



本文編號：3973330