一、回归真实——关于新闻的困惑与求解(论文文献综述)
曹勇[1](2021)在《高校通识教育中的设计课程研究:概念、内容与课题方法》文中认为伴随我国高校新时代本科人才培养模式转型,美育、双创教育、跨学科教育逐步成为重要内容。它使设计教育从专业领域进入通识领域,面向高校非专业学生的通识设计教育快速发展,但对它的系统研究还很缺乏。因此,以其发展历史与现状为依据,以概念剖析与设计研究为方法,对其概念内涵、课程内容建构、课题设计方法进行了系统理论研究,并形成以下结论:设计通识是以设计学科为内容载体,以通识美育为育人目的的设计教育形态。它揭示了设计教育作为一种跨学科探索活动在职业教育与人文通识之间的往复运动。回归美育育人不仅是其应用功能,也揭示了设计创造力培养的主体内在根源和设计作为人文学科的价值本源。在育人与学科双重视野下,设计通识课程内容可分为设计语言、设计返身、设计自由3个层次,其知识形态特征应该是学科内的破界与贯通、学科外的跨界与交叉,其核心能力是设计形式生成的思维能力。通过“知觉-媒介-抽象”、“意义-符号-叙事”、“技术-结构-系统”、“观念-重构-生成”4种设计形式生成思维的训练,建立全人发展与身体、文化、技术与观念的广泛联系,它既是设计育人的特点,也是设计学科自身拓展的动力。通识设计的课题设计方法对应于课程的核心内容和内容层次,表现为微观的基于具体内容的设计方法、中观基于应用情境的设计方法,但宏观层面上讲通识课题设计的本质不仅是“关于设计教育的研究”,更是一种“设计的研究”。课题作为人文性的教学设计“形式”,在抽象层面也具有媒介、意义、结构、观念4方面特征,由此打开课题设计更为丰富的可能。
赵江元[2](2021)在《微博舆情观点团簇形成机理与演化态势感知研究》文中提出在当前互联网技术快速革新的今天,新媒体蓬勃发展融合网络用户数量的高速增长,形成了当前复杂多变的网络舆情生态环境。对比上世纪九十年代末、本世纪初以及现在网络环境来看,互联网的普及与入网用户数量激增导致各种阶层和素质参差不齐的人大量涌入网络世界,导致用户整体特征呈现低龄化、低素质化。而我国社会结构呈金字塔形,教育程度低、文明素质低的人口占比较大,所以当网络向社会全阶层普及后稀释了少数高素质人口的文明行为,导致了网络环境的恶劣化。微博作为国内最主要的社交平台,网络舆情在微博上的传播具有传播范围广、传播速度快、影响力巨大等特点,大量用户在微博平台发表其关于各类社会事件看法、观点的言论构成了微博网络舆情。因此针对微博平台中的网络舆情的形成与演化进行深度的分析有利于有关部门及时管控失范舆情发展并引导微博舆情的正确走向,对网络生态环境的稳定发展具有重要意义。舆情受众个体观点是基于个体的立场、观念、认知水平等思维模式所形成的,具有极强的主观性,在个体观点形成的过程中受其观点引导能力的影响,对社会事件抱有相似或相同看法的舆情受众会自发的协调自身观点从而形成能够体现群体智慧的群体观点,但不同的人对同一事物会有不同的感知与理解,大量持有相反看法的网络舆情受众会以其他群体观点为锚定点或判断的立足点,形成其他群体观点。在基于某个社会事件的网络舆情空间中,个体之间的交互和相互影响与演化促成了关于该事件几种主流观点的产生,这种主流群体观点的抽象概念化可以认为是一个团簇结构,即每个观点团簇是由大量内涵相似的个体观点通过引导效应形成较为稳定结构。由于观点在网络舆情空间中的聚集体可以抽象的视作为团簇结构,因此可以将具有相同或相似立场并反映出各种属性状态的大量观点聚集体视作为观点团簇。以观点团簇概念进行理论构建与实证研究对于快速感知网络舆情发展趋势以及节约网络舆情管控成本具有重要意义。观点团簇由于事件发生而形成,同样随着事态发展而演化,在时间维度上不断演化代表了网络舆情受众对事件的态度变化,大量负面观点的传播将对网络信息生态环境造成冲击,因此针对国内最大的社交平台微博舆情观点团簇的形成进行探究,对加强网络综合治理、打造清朗网络空间具有重要的理论意义。同时,对微博舆情观点团簇的演化态势进行感知有助于发现符合人民主流价值观的群体观点,对其正确有效引导符合当前党对于“建立以内容建设为根本、先进技术为支撑、创新管理为保障的全媒体传播体系”的要求,具有重要的实践意义。目前对于舆情观点团簇的形成机理与演化态势感知的研究内容较少,对于观点团簇的概念、内涵尚无明确的界定,对于观点演化的研究主要结合心理学与社会网络从微观角度与技术层面进行研究,尚无从宏观角度对观点团簇演化态势进行理论分析与感知实践。因此,本文结合传播学、信息学、情报学、统计学、计算机科学等学科为基础,依托观点动力学、演化博弈论共同探讨微博舆情观点团簇的形成机理与演化态势感知。本文将从特征、属性、内涵等方面对舆情观点团簇进行分析,剖析微博舆情观点团簇的形成过程与形成机理,并构建微博舆情观点团簇的测度模型,运用自然语言处理、情感分析、回归分析等方法对微博舆情观点团簇的极性、体量、结构、密度进行测度,作为微博舆情观点团簇演化态势感知的技术支撑,基于态势感知理论构建微博舆情观点团簇演化态势感知模型,并通过实证研究的方式验证模型的适用性与可操作性。本文希望从理论角度与实践角度展开微博舆情观点团簇形成机理与演化态势感知的深入研究,力图完善网络舆情演化监控与识别体系,并丰富网络舆情的基础理论与实践应用研究。本文的主要内容如下:第一章,绪论。本章首先论述微博舆情观点团簇形成机理与演化态势感知研究的背景与理论、现实意义,然后对网络舆情观点、观点挖掘、观点演化、态势感知进行文献梳理,总结当前国内外的研究热点与现状。最后,阐述本文研究内容、研究方法、技术路线,并总结创新点。第二章,相关理论基础。在本章节研究中,对信息传播、网络舆情、观点演化、机器学习、态势感知的基础理论进行阐述,分析其理论对本文的应用价值与实用性。第三章,微博舆情观点团簇的属性、特征与形成阶段分析。对微博舆情观点团簇进行概念、内涵与外延的界定,分析微博舆情观点团簇的特征,包括观点团簇的动态稳定、持续隐匿性、阶段演化性以及异类传播性,明确观点团簇极性、规模、信息量、引导力、热度五种固有属性,并将舆情观点团簇的形成过程分为形成期、发展期、稳定期、隐匿期,本章内容将作为微博舆情观点团簇形成机理分析的理论基础。第四章,微博舆情观点团簇形成机理分析。本章研究主要是对微博舆情观点团簇的形成机理进行剖析,基于观点动力学对观点团簇形成动因进行分析,从观点团簇五种属性的形成综合分析观点团簇的形成过程,根据形成过程的共性总结微博舆情观点团簇形成动力要素,作为微博舆情观点团簇形成机理分析的基础,最后对舆情观点团簇要素与机理关系、形成过程与机理关系及机理间关系进行阐述。第五章,微博舆情观点团簇测度模型组构建。首先明确舆情观点团簇测度的目标、原则与流程,说明团簇测度在本研究中的必要性,其次利用python语言通过情感分析、LDA模型、CNN神经网络等多种技术手段构建测度模型组对微博舆情观点团簇的极性、规模、信息量、引导力、热度属性进行测度,作为后续对观点团簇演化态势分析的数理基础。第六章,微博舆情观点团簇演化态势感知模型组构建。在本章开篇说明团簇测度与演化态势感知的关联关系,明确前文研究的必要性,基于态势感知理论分析微博舆情观点团簇演化态势感知的概念与目的,根据态势感知理论解析观点团簇演化态势感知模型组,阐述观点团簇演化态势感知的流程,随后构建观点团簇演化态势感知模型组,利用python语言通过文本相似度分析、LSTM神经网络等方法构建微博舆情观点团簇演化态势要素提取模型、观点团簇演化态势理解模型、观点团簇演化态势预测模型。演化态势感知模型是基于态势感知理论所构建的,演化态势感知的首要任务是确定观点团簇之间的演化关系,然后根据属性的类型划分演化态势分型要素并构建分型标准,将观点团簇演化态势等级分为红橙黄蓝四个等级。最后根据演化态势理解结果对微博舆情观点团簇的演化态势进行预测,将为后文实证研究提供技术手段。第七章,实证研究。本章节以“翟天临知网事件”为实证研究对象,对前文研究中的舆情观点团簇测度模型组与演化态势感知模型组进行实证测试,验证模型的有效性与适用性。第八章,基于观点团簇演化态势感知的微博舆情观点演化风险处置策略与建议。本章从观点团簇演化态势感知结果的基础上,针对红、橙、黄、蓝四个等级提出具有针对性与有效性的处置策略,针对处于高演化态势等级的观点团簇采取切断传播、源头控制等应急响应措施,而针对处于较低演化态势等级的观点团簇则采取积极引导、精准推送等长效处置手段。并根据本文研究内容结合实际情况针对微博舆情观点团簇演化风险处置过程中的存在的问题提出建议。第九章,总结与展望。本章总结本文研究内容与研究成果,分析研究不足之处以及后续研究计划。对微博舆情观点团簇的形成机理剖析与演化态势感知研究是网络舆情危机预警的前提条件,通过将多学科优势相结合,能够将微博舆情观点团簇演化态势感知应用到现实当中,为网络舆情观点演化预警与管控提供新的思路与方法。
刘哲君[3](2021)在《面向开放式文本生成的智能算法研究与实现》文中研究表明随着语言模型建模能力的增强,使用机器生成流畅的句子或片段已经不再困难,然而当长度增加时,生成文本往往难以保持原有的高质量,开始出现严重的不一致和退化问题。究其根本原因,一是由于语言模型对自然文本的建模存在偏差,无法保证预测的概率分布总是符合上下文语境,导致生成的词语与前文不一致或不相关。二是解码算法没有对语言模型的偏差合理规避,使得不一致或不相关问题随长度增加而逐渐累积,最终偏离了原有质量。基于以上原因,本文分别从语言模型和解码算法两方面对提高文本一致性和长文本生成质量展开了研究,其主要内容如下:(1)在Transformer-XL基础上改进并设计了基于全局记忆的可控长文本生成模型,它将Transformer-XL的Memory分割为本地化记忆和全局化记忆两部分,既继承了Transformer-XL对长文本建模的优势,又能实现可控文本生成,内容文本对于同一控制信息的依赖还能提高一致性,改善长文本生成质量。(2)设计了一个基于采样的启发式树搜索解码策略,它包括生成器和评估器两个构件,其中生成器用于生成句子,评估器用于给句子打分,算法以句子为单位对生成过程进行控制,得分低的句子会在后续解码中被舍弃。通过额外的评估器评分和独有的回退机制,基于采样的启发式树搜索算法能够尽量地避免偏差在生成文本中的积累,特别是在生成长文本时具有极大优势。(3)从提高一致性和灵活性考虑,分别设计了温度核采样和带采样的多样集束搜索算法。其中温度核采样是核采样算法的改进版本,以增加一行代码的代价大幅提高了一致性;带采样的多样集束搜索算法解决了多样集束搜索总是产生固定化输出的问题,提高了生成的灵活性。此外,本文还设计了一种改进的重复惩罚策略,它根据重复程度动态地计算惩罚因子,能够更彻底地避免文本重复问题。(4)针对以上方法进行了全面的实验评估,证明了改进方法的有效性。同时应用改进的模型和改进的算法时,其BLEU得分相较于GPT2提升约33%,与人类文本在一致性得分上的差距相比于基线方法缩小了一个量级。最后,基于以上研究设计并实现了一个开放式文本生成系统,该系统集成了多种解码算法,允许生成时自由选择。系统还提供了模型训练和文本评估功能,能够满足各开放式文本生成任务的基本需求。
杜增文[4](2020)在《基于狄利克雷回归的微博主题检测模型研究》文中认为随着中国互联网的高速发展和普及,信息传递的成本被压缩到有史以来的最低。在当今的互联网时代,信息生成的速度要远远高于过去任何时候,而互联网的便捷又会使得信息可以随意散播,因此在世界范围内,各国政府对于网络舆论的监督和管控都十分重。作为社交网络应用代表的新浪微博,其应用内言论传播的活跃程度,在舆论监管方面具有十分重要的意义。而短文本形式的微博博文,在主题模型的应用中因为文本过于稀疏,常常会导致主题发现的效果欠佳。另外,由于微博的社交属性,使得微博上充斥着大量的营销、娱乐等信息,反而需要政府部门监管的公众舆情占比却很小。因此,如何在微博中发现公众舆情信息,并及时知晓舆情发展的态势,具有十分重要的意义。论文从公众舆情事件的数据特点出发,结合传统LDA(Latent Dirichlet Allocation)的优势,设计了一种基于狄利克雷回归的贝叶斯概率主题模型,以实现在微博数据中发现符合要求的主题。课题的主要工作如下:(1)介绍了概率主题模型的基本原理及基础数学理论,并详细分析了公众舆情事件中,微博数据和新闻数据之间的关系。(2)根据微博和新闻数据的特点,设计了多元狄利克雷多项回归方法,同时在新闻数据中学习主题作为先验知识,再作用在微博数据中,用来解决微博语义稀疏的特性。(3)论文详细介绍了模型的算法过程及参数推断过程,并从定性和定量的角度设计了实验评估方法,以实际案例数据进行测试,并分别从挖掘能力和聚类能力两个方面和传统LDA方法进行了对比评估。本文提出的方法将微博数据结合新闻文本特征后,使得微博数据的主题发现能力有了一定的提升。同时论文中还给出了一种实际应用的方案,在实际案例中应用本模型,可以发现并跟踪公众舆情事件的发生发展变化。本课题的实际应用,可以在微博中对公众舆情事件做到较好的发现及监督作用。
刘冠东[5](2020)在《基于文本挖掘的主题投资探索性研究》文中研究指明随着互联网及社交媒体的蓬勃发展,社交平台的文本信息潜移默化地影响着投资者的投资行为,市场舆情直接影响到投资者心理和行为,因此,投资主题风格轮动是市场驱动的重要因素。运用投资者产生的海量互联网文本信息数据,准确地给出主题相关概念股的投资建议,对投资者的投资分析模式理论探索和实践操作均将有极大现实意义。本文通过对股吧文本进行深入分析挖掘,首次在量化投资领域构建了一种基于主题挖掘及情感分析相结合的投资策略模式。方法主要基于隐狄利克雷分布(LDA)算法模型,对东方财富网财经评论吧的文本进行主题挖掘,实现了股市每日舆论热点监测;接着为改进主题挖掘结果的独特性,设计了信息熵指标进一步过滤主题干扰词,该方法有效地降低了主题的困惑度及提升了主题间的差异性;针对主题模型挖掘出的主题是随机的,与金融市场认可的主题不匹配的问题,本文以市场已有概念——新能源汽车主题为例,利用已调优的主题模型抽取该主题的关键词建立主题词库,设计了“主题得分”指标进而实现从股吧舆情中提取出该主题的热度并实施每天自动监测,完成了主题热度的量化工作。接下来本文基于此构建了量化投资策略并进行实证分析:首先针对2019/01/01-2020/02/29期间的股吧舆情挖掘提取出新能源汽车主题得分,将其与新能源汽车指数超额收益波动做了相关性检验,选择了与主题得分显着相关的主题关联股票作为投资股票池。就此对股池的个股爬取同时期的股吧评论,运用文本分类算法进行情感分析后构造了“看涨”情绪指标以辅助策略择时信号的生成;最后利用“主题得分”+“看涨指标”结合均线策略,建立了一种基于股吧文本的“主题+情感”的量化投资新策略模式,在聚宽平台进行历史回测后证实策略有效且表现良好,从而为投资者提供了一种新的投资策略模式参考,同时也证明了股吧文本中的确蕴含对于主题投资决策有价值的信息。
唐子豪[6](2020)在《基于改进LDA的在线商城垃圾评论识别研究》文中研究说明随着时代的发展,互联网已经成为人们生活中必不可少的一部分,在线商城的出现也使得人们的购物方式产生了巨大的变化,其产生的商品评论对消费者选择商品提供了重要的参考价值。然而垃圾评论的存在会使消费者接受到错误的商品信息,进而影响消费者的购买体验,同时也会造成商家信誉度的缺失。因此,垃圾评论识别已经成为当前在线商城发展过程中的重点问题,也是当下文本分类研究的热点问题。为此,本文在对在线商城评论数据进行研究的基础上,提出了一种改进的LDA主题模型,探究依据评论文本的主题信息来识别垃圾评论的研究方法,使得在线商城能够过滤无用或无效的垃圾评论,为消费者鉴别商品质量提供指导,并为在线商城垃圾评论识别问题提供一种解决办法。结合LDA主题模型及垃圾评论识别的相关理论,本文以在线商城评论数据作为研究对象,首先借助网络爬虫技术,设计了针对于在线商城评论数据的采集方案。并在此基础上,利用中文分词、停用词过滤及关键词提取等预处理方法对数据进行整合,进而借助文本表示方法完成了评论数据的降维操作。其次,探讨了将LDA主题模型直接应用于在线商城垃圾评论识别带来的不利影响,基于此提出了改进后的OMCR-LDA主题模型,借助评论标签提升评论主题的生成效果,同时,给出了模型的参数估计及主题数目确立方法,并进一步构建了基于OMCR-LDA主题模型的垃圾评论识别方案。最后,以京东在线商城获取的商品评论作为实验数据,设计实验框架并结合OMCR-LDA主题模型展开实例分析,通过对比实验证明模型的改进效果。结果显示,提出的OMCR-LDA主题模型能够有效提取在线商城评论的主题信息,完成垃圾评论识别的研究目标,从而验证了该改进模型的合理性。综上所述,本文设计的垃圾评论识别方案及提出的OMCR-LDA主题模型是行之有效的,在一定程度上能解决当前垃圾评论充斥在网络环境中的现实问题,为研究在线商城的垃圾评论识别问题提供了一种思路。同时通过对LDA主题模型的拓展与改进,扩展了模型的应用领域,为后续主题模型的深入研究提供了参考依据。
彭奥翔[7](2020)在《基于LDA主题模型和ALS协同过滤的节目推荐算法》文中认为近年来,随着广电行业和互联网技术的快速发展,智能电视和互联网视听终端越来越普及,节目源、节目内容也越来越丰富,使观众迅速从节目匮乏时代进入了内容过剩的时代。如何向观众推荐其感兴趣的节目,成为一个无论对观众、对视听运营商都越来越重要的课题。随着双向机顶盒的大规模升级换代,观众的收视行为具备了回传的技术条件。当前,全国视听运营商每天产生的观众收视数据可达TB量级,在此大数据环境下,观众的收视行为、收视兴趣可以进行精准的画像。从而,对于节目推荐算法的研究,具备了技术和业务的前提。目前,研究人员已提出了协同过滤推荐、内容推荐、相似性推荐、关联规则推荐等推荐算法,其中协同过滤推荐算法在各个领域的使用最广泛。在大数据环境下,将协同过滤推荐算法,应用于节目推荐场景,存在如下问题:1)稀疏度过低的节目评分矩阵作为输入时,会导致节目推荐算法出现数据稀疏、冷启动、推荐准确度低等问题;2)推荐算法长时间迭代出现推荐结果类型单一、推荐准确度不稳定等问题。论文设计了基于隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型和交替最小二乘(Alternating Least Squares,ALS)协同过滤的节目推荐算法,不仅提高了节目推荐结果的准确度,而且在稳定推荐的前提下增加了推荐结果的多样性,满足了用户的节目收看需求。算法工作机制:1)利用LDA主题模型获得节目特征和节目相似度矩阵,然后设计出优化评分矩阵稀疏度的算法,将节目相似度矩阵作为权重因子,最后将评分矩阵的空白值得到部分填充,使稀疏评分矩阵引起的问题得到缓解;2)以ALS协同过滤算法为基本算法,降低稀疏度的节目评分矩阵作为输入,结合节目与用户协同过滤推荐的可信度,设计动态调节权重的模型来改进ALS协同过滤算法,达到“稳定推荐”与“多样推荐”的效果;3)在面向大数据环境时,采用Spark技术实现节目推荐算法复杂的矩阵迭代过程,以此实现改进节目推荐算法的并行化,解决算法的低时效问题。通过搭建Spark大数据实验平台进行了仿真实验,实验数据显示论文设计的节目推荐算法均方误差(Mean Squared Error,MAE)值稳定在0.78左右,相比传统ALS协同过滤推荐算法提升了 15%左右,验证了节目推荐算法的有效性。
石艾[8](2020)在《面向企业风险控制的网络舆情预警系统的设计与实现》文中认为随着互联网技术的不断发展,企业的网络舆情分析备受关注,相关企业的监管部门能够通过企业的基本信息查询平台以及一些比较权威的新闻发布平台获得被监管企业的网络舆情信息。本系统为相关的企业监管部门提供直观的实时可视化分析结果,使其能够对被监管企业的舆情作出及时、准确和有效的分析及处理,进而将企业的风险降至最低,减少经济损失。本文设计的面向企业风险控制的网络舆情预警系统采用分层和模块化的设计思想,同时通过前期的相关调研与分析,提取出系统的功能模块需求,该系统主要包括数据采集、数据清洗、舆情分析和数据可视化四大子系统。笔者独立设计并实现了以下四个子系统:(1)数据采集子系统:包括爬虫配置、防反爬虫、URL去重、数据抓取、数据存储的功能,实现对企业元数据以及相关的新闻数据的爬取及存储任务。(2)数据清洗子系统:对爬取的企业元数据及相关的新闻数据做初步处理,通过缺失值处理、错误值处理、数据去重以及格式统一的方法将爬取的脏数据清洗为干净数据,然后存入非关系型数据库Mongo DB中。(3)舆情分析子系统:选取清洗后的数据中的新闻文本数据作为被处理对象,通过分词、去停用词、Word2vec和TF-IDF等技术对新闻文本做文本处理,并将处理后的分词结果输入到LDA模型进行主题分析,文本向量输入到SVM和LR模型中进行情感极性分析,最后对情感极性分析结果进行风险量化输出,并与风险阈值进行比较,将比较的结果划分为不同等级的预警状态,同时触发舆情报警。(4)数据可视化子系统:该子系统是为方便相关企业监管部门用户直观的查看企业信息及各种舆情分析结果而设计的,用户可通过词云图、饼状图、折线图等多种形式的可视化图形分析企业舆情,同时,用户还可以通过统计报表查看企业相关信息及系统的日志数据。通过相关测试与部署,目前该系统已成功上线,各模块功能稳定,并且可以为相关企业监管部门实时的提供被监管企业的舆情信息,同时也为其制定相应的预防措施提供参考。
陶兴[9](2020)在《多源学术新媒体用户生成内容的知识聚合研究》文中进行了进一步梳理随着信息经济迅猛发展,学术新媒体作为新型的网络学术知识平台逐渐受到科研工作者的关注,为知识信息获取、知识交流、知识传播等带来了改变。学术新媒体以学术微博、学术微信公众号、学术虚拟社区、学术APP等主要形式存在,具有平台类型多样、平台内容丰富、平台知识专业化等特点。为科研工作者提供了获取学术信息、分享学术成果、开展学术交流等活动的新途径。学术新媒体不再以文章、期刊论文等长文本形式作为知识推送的内容,学术用户作为学术新媒体环境中知识接受者与生产者两种身份并存,新媒体环境鼓励学术用户通过提问、回答与分享来自主产生新知识,创新了学术知识获取方式。随着新媒体环境的扩张,互联网中的用户生成内容呈现出了爆炸式增长,用户在搜寻知识过程中需要消耗大量的时间和精力去浏览与筛选知识内容。知识内容出现“知识过载”,用户陷入“知识迷航”,而学术新媒体中的用户生成知识内容也存在内容质量参差不齐,知识点碎片化分散,内容冗余等问题。同时不同学术新媒体平台间缺乏信息交流,单一平台内的知识无法及时完善与更新,导致用户须花费大量时间去浏览多平台内的知识,增加了获取知识的难度。如何对学术新媒体内用户生成内容进行知识的挖掘、组织和管理,创新学术新媒体的知识服务模式,为学术用户提供高质量知识服务内容,已成为学术新媒体发展面临的新问题。鉴于此,本文将知识聚合理论与方法引入到学术新媒体用户生成内容的知识聚合研究中,构建基于知识聚合的多源学术新媒体用户生成内容聚合机理,探讨了用户生成内容质量评测问题,提出了主题聚合与摘要生成两种用户生成内容知识聚合方法,设计了知识聚合精准推荐方案,并提出多源学术新媒体用户生成内容的知识聚合能力提升策略。本文主要开展了以下方面的研究:第一,构建多源学术新媒体用户生成内容的知识聚合机理。界定了学术新媒体用户生成内容的知识聚合内涵,即对新媒体平台用户生成内容中蕴含的知识进行有效组织,进而挖掘其内在知识的关联关系,为学术新媒体用户提供多源平台的知识聚合服务。划分了多源学术新媒体用户生成内容知识聚合类型,分别为:同型异源知识聚合、异型异源知识聚合、多语种知识聚合。将多源学术新媒体用户生成内容的知识聚合要素分为知识聚合主体、知识聚合客体、知识聚合内容、知识聚合环境、知识聚合技术等五个方面。从学术信息资源需求、学术创新环境、知识聚合主体收益、科技进步、多源学术资源等方面探讨了多源学术新媒体用户生成内容知识聚合的驱动力。从原理特点、作用方式等方面详细阐述了其影响知识聚合的原因。解读了多源学术新媒体知识聚合过程,分别为挖掘与解读用户需求,学术信息的数据处理,学术信息质量评测,知识发现与聚合,学术知识推荐。最后提出了多源学术新媒体用户生成内容的知识聚合机理模型,并从各要素间的关系与交互行为入手,绘制其实践应用中的具体过程图。第二,提出了学术新媒体用户生成内容的自动化质量评测方法。文本通过数据维度、情感极性、领域词汇等三方面考虑,建立学术用户生成内容自动化特征提取过程。再利用双层BI-GRU神经网络学习学术用户生成内容的特征属性。引入专业学术领域词典,优化词嵌入模型所生成的学术用户生成文本向量化表达。最终实现学术新媒体用户生成内容的质量评测,筛选出高质量的文本内容,为后续的多源学术新媒体用户生成内容知识聚合方法研究提供优质的数据基础。第三,基于主题生成的多源学术新媒体用户生成内容的知识聚合研究。提出基于混合神经网络BiLSTM-CNN-CRF和LDA主体概率模型的学术新媒体用户生成内容的知识主体聚合方法。利用混合神经网络分词法,对学术新媒体用户生成内容进行学习分词,然后将获取到的学术专业分词表输入到LDA主体概率模型中,生成多源学术新媒体平台的知识主题。从多个平台的生成主题中,证实了不同学术新媒体平台同类知识内容中存在较大的知识主题差异,在此基础上对知识主题进行融合,帮助学术新媒体用户能够从大规模用户生成知识内容中获取核心知识点,为学术新媒体用户提供了知识导航服务。第四,提出了多源学术新媒体用户生成内容的知识摘要生成方法。为实现多个学术新媒体平台中用户生成内容的知识概括性描述问题,提出基于Word2Vec模型和MMR算法的摘要生成方法。利用Word2Vec方法可以有效解决传统词向量表达方法忽略词语间语义联系的问题;利用MMR排序方法,对重要性程度高的摘要进行排序筛选,剔除重复度高的摘要句,同时保留重要性高的摘要句;利用专业领域词典,解决专业领域词无法识别的问题。通过对多个学术新媒体平台的用户生成内容进行聚合,帮助知识欠缺的平台弥补自身知识内容不足的问题,实现了学术新媒体环境整体知识内容的极大融合,为学术新媒体用户提供一个效率获取冗余用户生成内容中关键性知识的聚合服务。第五,提出了多源学术新媒体用户生成内容的知识聚合精准推荐方法。通过用户兴趣度值挖掘推荐项目和用户间的相似关系,将其作为用户对项目的推荐评分。通过传递相似度,实现多源学术新媒体平台间用户的相似度计算,进而建立起多源学术新媒体用户网络。最后通过项目推荐评分与用户传递性网络,构建学术新媒体用户生成内容的知识聚合精准推荐方法,为学术用户提供多源平台的学术知识与学术用户的双重精准推荐服务。
张津津[10](2020)在《格雷厄姆·格林独特的荒诞性体验与小说创作》文中研究指明格雷厄姆·格林(1904-1991)是20世纪英国最重要、最受读者欢迎的文学家之一,创作了体裁众多、数量丰富的文学作品,尤其以长篇小说闻名于世。格林是诸多历史事件的亲历者和见证人,在小说中以编年史家的姿态书写,留下了关于人类罪恶与苦难的深刻印记,启示了在荒诞的世界中获得救赎的可能,他富于严肃哲理性和通俗趣味性、带有生动想象力和深厚历史感的小说对英国文学产生了深远影响。荒诞是20世纪西方文学总的特征之一,但以往的研究多聚焦于法、德存在主义理论及其衍生的文学作品,对于英国文学中的荒诞谈论不多。荒诞作为格林小说的重要主题在他的小说中反复重现,是解读格林小说的重要路径,通过对格林小说的研究也可以深化对荒诞的认知和理解。本论文即试图从“荒诞”这一角度透视格林及其作品,对格林的生平和作品的意义作出恰当的阐释。全文共由以下几个部分组成。绪论介绍了研究的背景,国内外格林研究的历史和现状,并对其中的代表性成果进行分类综述,继而阐述研究的意义和应用的方法。研究意义在于既可以丰富国内格林研究的维度,又能加深对西方现代文学,特别是荒诞文学的认识。研究方法以文本细读法为主,以荒诞的哲学理论、文学理论以及发生学、阐释学等方法为辅。在第一章中,厘清了荒诞的概念,从历史文化背景和荒诞性生命体验两方面阐述格林小说荒诞意识的基础。首先,通过追溯起源和用法,梳理内涵流变,分析荒诞所包含的深刻意蕴,界定本文所要论述的是生存意义层面上的荒诞。其次,说明格林所处时代特殊的历史文化背景,两次世界大战,殖民帝国的瓦解,第三世界的混乱,让人类陷入前所未有的荒诞境遇,作家们如何对这个荒诞世界作出回应。再次,格林早年经历导致自我心灵分裂,造成成年后不忠的信仰和辩证的思想,在多维的身份间逃避,格林无法跳脱时代共性,成为书写荒诞的作家,这些经历深刻影响了他笔下的人物。第二章围绕格林小说创作的荒诞性主题阐述其形成原因和具体呈现。首先,分析主题的成因。一是植根于文学传统,通过改写和重述与经典形成互文关系。二是受到国际政局影响,紧密结合政治事件,用宗教视角反观人类行为。三是源于私人阅读兴趣,继承通俗文学和严肃文学遗产,双方参与了主题的塑造。其次,论述主题的呈现。一是潜意识层面,描绘人物的童年和梦境,以折射西方文明的致病情境,从中寻找荒诞的根源和解决之道。二是信仰层面,有罪的圣徒试图用信仰克服荒诞,使存在变得有意义,但又不可能得出确定的意义。三是文明层面,借助非西方的“他者”来审视西方的“自我”,发现“自我”是失落的,“他者”是凋敝的。第三章以荒诞为中心,从人物、环境、主题三个方面阐述格林小说的艺术特色。一是人物方面,格林小说的主要人物是处于悖谬状态的边缘人,表现为孤独无助的失父者,由于对某种信念的信仰,在极限境遇中会转变为主动承担责任的反英雄。二是环境方面,“格林之原”是一个堕落而绝望的空间,具体表现为艾略特式的“荒原城市”和康拉德式的“边缘世界”,身处其中的人孤独而矛盾。三是主题方面,格林式荒诞的主要形式表现为悖谬,寓于以现实主义为主体的小说中,呈现出矛盾对立统一的样态,同时思想上宗教与荒诞之间相互消解,形式上严肃与通俗之间完美平衡,也有助于这一主题的呈现。第四章从严肃与通俗、政治与审美、现实与梦境三个维度阐述格林小说创作中荒诞的独特性,并从文学史叙事的角度指出格林小说创作所具有的意义和价值。格林的小说创作兼顾严肃主题和通俗结构,坚持政治书写,也不放弃对审美意蕴的追求,通过展现现实和梦境、意识和无意识之间的交汇融通,深层次挖掘人物心理,并预示了人物的悲剧命运。格林从荒诞文学的脉络中,积极汲取不同风格和流派的长处,既有参考和借鉴,也有突破和创新,这种融入了自己生命体验的文学创作,达到了一定的高度和深度。因而决定了格林小说在具有文学价值和商业价值的同时,也拥有广泛的读者群体。格林的荒诞文学书写的特殊性在于,格林本人就是一个矛盾的集合体,他的小说是他生平经历的映射,由多种复杂元素形成的有机融合。格林提出的超克荒诞的办法带有空想色彩,但是他的小说在文学史上占有承前启后的重要地位。
二、回归真实——关于新闻的困惑与求解(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、回归真实——关于新闻的困惑与求解(论文提纲范文)
(1)高校通识教育中的设计课程研究:概念、内容与课题方法(论文提纲范文)
中文摘要 |
英文摘要 |
绪论 从设计为人到设计育人——通识设计课程研究 |
一、背景:设计育人 |
(一)在人人设计的时代:数字时代的技术、设计与人 |
(二)学科之显隐:包豪斯百周年纪念中缺席的设计通识 |
(三)设计亦育人:当代高校美育发展视野下的通识设计教育 |
二、概念:何谓设计通识 |
(一)“高校”:高等教育层面 |
(二)“通识”:面向通识教育和“通识”中西比较差异 |
(三)设计——以设计学科为内容载体的课程 |
(四)设计通识与设计美育 |
(五)通识与“专业通识” |
三、综述:研究史与问题 |
(一)文献综述:从知识、理论、思维到课程实践 |
(二)总体特征与突出问题 |
四、研究内容与方法 |
(一)目的:从“概念”到“形式” |
(二)内容框架:“为什么—有什么—是什么—教什么—怎么教” |
(三)方法:从解决问题到基于“概念设计”的研究 |
五、研究意义与目标 |
(一)意义:育人与学科的不可分性 |
(二)目标:学术材料、理论建构、研究方法 |
第一章 为什么:历史语境与当代使命 |
第一节 设计成为通识——学科发展中的历史渊源 |
一、设计通识与 19 世纪欧美大学艺术学科初创—诺顿美术课程中的设计教育 |
二、设计通识与 20 世纪初期专业设计教育变革—早期包豪斯教育中的通识渊源及美国新包豪斯的通识设计思想 |
三、设计通识作为战后设计研究的目的与结果—欧洲“设计思维”研究与“设计”成为英国中小学国家课程 |
四、设计通识成为当代设计学科拓展动力——当代斯坦福设计思维引发的设计学科变革 |
五、我国传统设计教育史“专业”与“通识”关系——传统造物中工匠职业教育与文人艺术的交互 |
第二节 设计作为美育——新时代高校美育的形式 |
一、我国传统美育思想与设计美育的表现形式 |
二、近现代我国高校“美育”理解变迁与设计美育特点 |
三、当代我国高校“美育”发展历史机遇与困局并存 |
四、设计教育成为当代高校美育载体的优点 |
五、“设计美育”的当代中外美学理论基础 |
第二章 有什么:发展现状与比较思考 |
第一节 贯通或是悬置?——中小学设计课程标准比较 |
一、设计引领艺术、技术:英国国家课程中的设计课程 |
二、设计作为视觉艺术素养:美国国家艺术标准 |
三、我国中小学设计教育的“标准悬置”与“裂隙修复” |
第二节 从基础到前瞻——高校通识设计课程比较 |
一、美国大学通识教育演化与课程制度形成 |
二、美国大学通识课程中的设计课程 |
三、美国通识设计课程的主要类型与学科内容-功能特征 |
四、高校通识设计课程:从“专业科普”迈向“育人联结与学科前瞻” |
第三章 是什么:研究核心——概念、内容、课题方法 |
第一节 课程概念思考 |
一、概念回溯:“设计通识”与“设计美育”内外两种视野 |
二、内涵思考:比较视野下的课程内涵特征解析 |
第二节 课程内容辨析 |
一、学科内外:今天“设计”概念何为? |
二、育人对接:从核心素养视野到设计通识的核心素养 |
三、设计实践/实验:“通过设计实践进行的教育” |
第三节 课题设计价值 |
一、通识设计课程教学设计的特殊性 |
二、过去教训:教学自身缺乏“设计” |
三、课题设计:使教学与课程成为一种“艺术”的核心 |
第四章 教什么:课程内容建构理论 |
第一节 课程学视野:课程内容建构的学理基础 |
一、当代课程理论中的课程内容 |
二、通识设计课程内容建构的理论框架 |
第二节 通识与美育视野:通识设计课程内容的三层次理论 |
一、通识与美育的目标指向与层次性 |
二、通识设计课程内容三层次理论 |
第三节 学科视野:课程内容的知识与能力形态 |
一、通识设计课程内容的知识形态:学科“破界”与“跨界” |
二、通识设计课程内容的核心能力:设计思维中的“形式思维” |
第四节 设计通识的核心能力——设计形式生成思维的培养 |
一、从设计形式4 属性看设计形式生成思维的基本类型 |
二、基于知觉-媒介-抽象的设计形式生成思维 |
三、基于意义-符号-叙事思维的设计形式生成 |
四、基于技术-结构-系统思维的设计形式生成 |
五、基于观念-重构-生成思维的设计形式生成 |
第五章 怎么教:课题设计方法研究 |
第一节 课题的本质与设计方法研究——作为教学设计的“形式生成” |
一、课题的本质及其设计方法:作为教学设计的“形式生成” |
二、设计通识典型课题分析 |
三、通识设计课题设计方法:差异与应对策略 |
第二节 微观:设计形式生成思维 4 种类型的课题设计研究 |
一、基于“知觉-媒介-抽象”思维的通识设计课题研究 |
二、基于“意义-符号-叙事”思维的通识设计课题研究 |
三、基于“技术-结构-系统”思维的通识设计课题研究 |
四、基于“观念-重构-生成”思维的通识设计课题 |
第三节 中观:通识设计内容3 层次的课题设计研究 |
一、“设计语言”的课题设计方法研究 |
二、“设计返身”的课题设计研究 |
三、“设计自由”的课题设计——在设计中自由 |
第四节 课题设计方法总结与作为教学设计形式的展望 |
一、微观和中观层面的课题设计方法总结 |
二、宏观、抽象层面的课题设计方法展望 |
结论 “造物亦育人”——面向未来的高校通识设计课程 |
一、异化与回应:设计作为一种通识性人文实践 |
二、通识设计课程内容的再思考 ——设计学科核心素养与设计思维中的形式思维 |
三、课题设计作为育人体验设计和课程推广关键 |
附录一:本文专业案例分析与通识课题设计目录 |
附录二 西南交通大学通识课《设计美育Ⅰ:从艺术到设计》课程教学(2020-2021 秋季学期) |
参考文献 |
作者简介 |
致谢 |
(2)微博舆情观点团簇形成机理与演化态势感知研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 现实意义 |
1.3 研究综述 |
1.3.1 网络舆情观点团簇形成研究综述 |
1.3.2 网络舆情观点团簇挖掘研究 |
1.3.3 网络舆情观点团簇演化研究 |
1.3.4 网络舆情演化态势感知研究综述 |
1.4 研究内容与研究方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.4.3 技术路线 |
1.5 本文创新点 |
第二章 相关理论基础 |
2.1 信息传播相关理论 |
2.1.1 信息传播的概念 |
2.1.2 信息传播的模式 |
2.2 网络舆情相关理论 |
2.2.1 网络舆情概念 |
2.2.2 网络舆情演化 |
2.3 观点演化相关理论 |
2.3.1 观点挖掘 |
2.3.2 观点动力学 |
2.3.3 离散观点模型与连续观点模型 |
2.4 机器学习相关理论 |
2.4.1 自然语言处理 |
2.4.2 人工神经网络 |
2.5 态势感知相关理论 |
2.5.1 态势感知理论 |
2.5.2 网络安全态势感知 |
第三章 微博舆情观点团簇的属性、特征与形成阶段 |
3.1 微博舆情观点团簇解析 |
3.1.1 微博舆情观点团簇的概念 |
3.1.2 微博舆情观点团簇的内涵 |
3.1.3 微博舆情观点团簇的外延 |
3.2 微博舆情观点团簇特征分析 |
3.2.1 微博舆情观点团簇的动态稳定性 |
3.2.2 微博舆情观点团簇的持续隐匿性 |
3.2.3 微博舆情观点团簇的阶段演化性 |
3.2.4 微博舆情观点团簇的传播异类性 |
3.3 微博舆情观点团簇属性分析 |
3.3.1 观点团簇极性 |
3.3.2 观点团簇规模 |
3.3.3 观点团簇引导力 |
3.3.4 观点团簇信息量 |
3.3.5 观点团簇热度 |
3.4 微博舆情观点团簇形成阶段分析 |
3.4.1 微博舆情观点团簇形成期 |
3.4.2 微博舆情观点团簇发展期 |
3.4.3 微博舆情观点团簇稳定期 |
3.4.4 微博舆情观点团簇隐匿期 |
3.5 本章小结 |
第四章 微博舆情观点团簇形成动力要素与形成机理 |
4.1 微博舆情观点团簇形成动力要素分析 |
4.1.1 观点团簇极性形成要素 |
4.1.2 观点团簇规模形成要素 |
4.1.3 观点团簇引导力形成要素 |
4.1.4 观点团簇信息量形成要素 |
4.1.5 观点团簇热度形成动力要素 |
4.2 微博舆情观点团簇形成机理分析 |
4.2.1 群体极性形成机理 |
4.2.2 同源观点聚合机理 |
4.2.3 观点立场引导机理 |
4.2.4 团簇信息累积机理 |
4.2.5 观点团簇隐匿机理 |
4.3 微博舆情观点团簇形成机理的关系分析 |
4.3.1 微博舆情观点团簇形成动力要素与形成机理的关系 |
4.3.2 微博舆情观点团簇形成过程与机理的关系 |
4.3.3 微博舆情观点团簇形成机理间的关系 |
4.4 本章小结 |
第五章 微博舆情观点团簇测度模型组构建 |
5.1 微博舆情观点团簇测度模型组解析 |
5.1.1 微博舆情观点团簇测度模型组构建的目的 |
5.1.2 微博舆情观点团簇测度模型组构建原则 |
5.1.3 微博舆情观点团簇测度模型组整体框架 |
5.2 微博舆情观点团簇测度指标体系构建 |
5.2.1 微博舆情观点团簇测度指标体系结构设计 |
5.2.2 微博舆情观点团簇测度指标释义 |
5.3 微博舆情观点团簇极性测度模型构建 |
5.3.1 观点团簇极性测度流程 |
5.3.2 观点团簇情感极性确定方法 |
5.3.3 观点团簇极性强度测度方法 |
5.4 微博舆情观点团簇规模测度模型构建 |
5.4.1 观点团簇规模测度流程 |
5.4.2 观点团簇数量确定方法 |
5.4.3 观点团簇划分方法 |
5.4.4 观点团簇规模表示方法 |
5.5 微博舆情观点团簇引导力测度模型构建 |
5.5.1 观点团簇引导力测度流程 |
5.5.2 引导力测度指标权重确定方法 |
5.5.3 观点团簇引导力测度方法 |
5.6 微博舆情观点团簇信息量测度模型构建 |
5.6.1 观点团簇信息量测度流程 |
5.6.2 观点团簇信息量测度方法 |
5.7 微博舆情观点团簇热度测度模型构建 |
5.7.1 观点团簇热度测度原理 |
5.7.2 观点团簇热度测度方法 |
5.8 本章小结 |
第六章 微博舆情观点团簇演化态势感模型组构建 |
6.1 微博舆情观点团簇演化态势感知解析 |
6.1.1 微博舆情观点团簇演化态势感知的概念 |
6.1.2 微博舆情观点团簇测度与演化态势感知的关联关系 |
6.1.3 微博舆情观点团簇演化态势感知的目的 |
6.2 微博舆情观点团簇演化态势感知模型组解析 |
6.2.1 微博舆情观点团簇的演化态势感知的流程 |
6.2.2 微博舆情观点团簇演化的态势要素提取 |
6.2.3 微博舆情观点团簇演化的态势理解 |
6.2.4 微博舆情观点团簇演化的态势预测 |
6.3 微博舆情观点团簇的演化态势要素提取模型构建 |
6.3.1 观点团簇的演化链识别方法 |
6.3.2 观点团簇的演化态势要素提取方法 |
6.4 微博舆情观点团簇的演化态势理解模型构建 |
6.4.1 观点团簇的演化态势分型方法 |
6.4.2 观点团簇的演化态势分型标准 |
6.5 微博舆情观点团簇的演化态势预测模型构建 |
6.5.1 观点团簇的演化态势预测流程 |
6.5.2 观点团簇的演化态势预测模型训练 |
6.6 本章小结 |
第七章 实证研究 |
7.1 实验环境 |
7.2 “翟天临知网事件”案例分析 |
7.3 “翟天临知网事件”中微博舆情观点团簇测度解析 |
7.4 “翟天临知网事件”中微博舆情观点团簇演化态势感知 |
7.5 实验结果分析 |
7.6 本章小结 |
第八章 基于观点团簇演化态势感知的微博舆情观点演化风险处置策略 |
8.1 针对演化态势红色等级的微博舆情演化风险处置策略 |
8.2 针对演化态势橙色等级的微博舆情演化风险处置策略 |
8.3 针对演化态势黄色等级的微博舆情演化风险处置策略 |
8.4 针对演化态势蓝色等级的微博舆情演化风险处置策略 |
8.5 微博舆情观点演化风险处置过程中的建议 |
8.6 本章小结 |
第九章 总结与展望 |
9.1 研究总结 |
9.2 研究展望 |
参考文献 |
致谢 |
攻读博士期间取得的主要研究成果 |
(3)面向开放式文本生成的智能算法研究与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究发展趋势及现状 |
1.3 面临的问题与挑战 |
1.3.1 文本不一致 |
1.3.2 文本不可控 |
1.3.3 长文本生成困难 |
1.3.4 缺乏机器评估指标 |
1.4 本文的主要贡献与创新 |
1.5 本论文的结构安排 |
第二章 相关技术及原理 |
2.1 文本生成技术概述 |
2.2 语言模型及相关技术 |
2.2.1 基于转换器结构的语言模型 |
2.2.2 Transformer-XL语言模型 |
2.2.3 BERT语言模型 |
2.3 文本生成解码算法 |
2.3.1 集束搜索 |
2.3.2 多样集束搜索 |
2.3.3 Top-k采样 |
2.3.4 温度采样 |
2.3.5 核采样 |
2.4 本章小结 |
第三章 基于全局记忆的可控长文本生成模型 |
3.1 目的及意义 |
3.2 基于全局记忆的可控长文本生成模型 |
3.2.1 模型整体介绍 |
3.2.2 双重位置编码 |
3.2.3 全局记忆掩码 |
3.3 优缺点分析 |
3.4 本章小结 |
第四章 改进的文本生成解码策略 |
4.1 基于采样的启发式树搜索解码策略 |
4.1.1 算法流程 |
4.1.2 评估器 |
4.1.3 优缺点分析 |
4.2 N元语法重复惩罚 |
4.3 带采样的多样集束搜索 |
4.4 温度核采样 |
4.5 本章小结 |
第五章 实验与分析 |
5.1 自动化评估指标 |
5.1.1 困惑度 |
5.1.2 BLEU评估指标 |
5.1.3 段间语义相似度 |
5.1.4 词汇衔接度 |
5.1.5 类符形符比 |
5.2 可控生成模型评估 |
5.2.1 实验设置 |
5.2.2 评估结果与分析 |
5.3 解码策略评估 |
5.3.1 实验设置 |
5.3.2 自动化评估结果与分析 |
5.3.3 人工评估结果与分析 |
5.3.4 参数分析 |
5.4 综合评估 |
5.4.1 自动化评估 |
5.4.2 人工评估 |
5.5 本章小结 |
第六章 开放式文本生成系统设计与实现 |
6.1 需求分析 |
6.2 系统架构设计 |
6.3 系统功能设计 |
6.4 系统模块介绍 |
6.4.1 模型训练 |
6.4.2 解码生成 |
6.4.3 文本评估 |
6.4.4 模型管理 |
6.4.5 交互界面 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 后续工作展望 |
致谢 |
参考文献 |
(4)基于狄利克雷回归的微博主题检测模型研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容 |
第2章 主题检测模型的相关技术 |
2.1 文本向量化 |
2.2 文本聚类算法 |
2.2.1 基于划分的聚类算法 |
2.2.2 基于层次的聚类算法 |
2.2.3 基于增量式的聚类算法 |
2.3 狄利克雷分布 |
2.4 概率主题模型 |
2.4.1 潜在语义索引 |
2.4.2 潜在狄利克雷分配 |
2.4.3 狄利克雷多项回归 |
2.5 小结 |
第3章 基于狄利克雷回归的微博主题检测模型 |
3.1 微博事件的主题挖掘方案 |
3.2 多元狄利克雷多项回归模型 |
3.3 模型参数推断 |
3.4 小结 |
第4章 微博主题检测模型的实验与验证 |
4.1 数据集介绍和实验设置 |
4.1.1 实验数据的获取 |
4.1.2 数据预处理 |
4.1.3 模型参数设置 |
4.2 模型评价指标 |
4.2.1 主题挖掘能力评价 |
4.2.2 主题聚类能力评价 |
4.3 实验结果 |
4.3.1 模型对比测试结果 |
4.3.2 抗噪音性能测试 |
4.4 微博主题检测模型的应用 |
4.5 小结 |
第5章 结论与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(5)基于文本挖掘的主题投资探索性研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 文本挖掘相关研究 |
1.2.2 主题模型相关研究 |
1.2.3 文本挖掘在股市中的应用研究 |
1.2.4 主题投资量化策略研究综述 |
1.3 本文主要工作和研究亮点 |
1.3.1 研究内容 |
1.3.2 本文亮点 |
1.3.3 章节安排 |
1.4 本章小结 |
第二章 预备知识 |
2.1 主题挖掘相关理论 |
2.1.1 获取文本数据 |
2.1.2 文本预处理 |
2.1.3 主题挖掘 |
2.2 情感分析相关理论 |
2.2.1 基于情感词典的方法 |
2.2.2 基于机器学习的方法 |
2.2.3 基于深度学习的方法 |
2.2.4 情感分类算法 |
2.2.5 分类评估 |
2.3 量化投资相关知识 |
2.3.1 均线策略简介 |
2.3.2 投资策略评价指标 |
2.4 本章小结 |
第三章 基于股吧文本的主题挖掘 |
3.1 股吧文本数据获取 |
3.1.1 金融文本数据源选择 |
3.1.2 文本数据爬取 |
3.1.3 数据保存 |
3.2 数据预处理 |
3.2.1 中文分词 |
3.2.2 过滤停用词 |
3.2.3 特征提取 |
3.3 主题挖掘 |
3.3.1 LDA主题模型训练与调参 |
3.3.2 文本聚类算法 |
3.3.3 基于信息熵的主题挖掘结果优化 |
3.4 本章小结 |
第四章 主题投资策略构建 |
4.1 主题得分的构建 |
4.1.1 主题词库的建立 |
4.1.2 主题得分的计算 |
4.2 主题得分与指数的相关性检验 |
4.2.1 主题关联指数的超额收益波动的计算 |
4.2.2 主题得分与指数超额收益波动的相关性检验 |
4.3 情感分析 |
4.3.1 股评情感分析 |
4.3.2 构造情绪指标 |
4.4 基于主题演化过程中的情感分析构建策略 |
4.4.1 止损 |
4.4.2 策略构建 |
4.4.3 添加主题得分前后策略效果对比 |
4.5 本章小结 |
第五章 策略实证分析 |
5.1 主题得分的构建 |
5.1.1 文本数据获取 |
5.1.2 数据预处理 |
5.1.3 主题挖掘 |
5.1.4 建立主题词库 |
5.1.5 利用主题词库生成主题得分 |
5.2 主题得分与指数相关性检验 |
5.2.1 主题关联指数相对大盘指数的超额收益波动 |
5.2.2 主题得分与指数超额收益波动的相关性检验 |
5.3 个股情感分析并构造情绪指数 |
5.3.1 股评情感分析 |
5.3.2 构造看涨指标 |
5.4 策略历史回测及对比分析结果 |
5.4.1 交易规则假设: |
5.4.2 交易策略收益统计对比 |
5.5 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(6)基于改进LDA的在线商城垃圾评论识别研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.3 国内外研究现状及分析 |
1.3.1 国内外研究现状 |
1.3.2 相关文献评述 |
1.4 研究内容与技术路线 |
1.4.1 研究内容与方法 |
1.4.2 技术路线 |
1.5 本章小结 |
2 理论综述 |
2.1 在线商城相关概述 |
2.1.1 在线商城概述 |
2.1.2 在线商城评论概述 |
2.1.3 在线商城评论者概述 |
2.2 垃圾评论概述 |
2.2.1 垃圾评论概念 |
2.2.2 垃圾评论特征概述 |
2.2.3 垃圾评论识别概述 |
2.3 LDA主题模型概述 |
2.3.1 LDA基础模型概述 |
2.3.2 LDA数学原理概述 |
2.3.3 LDA主题数目概述 |
2.4 本章小结 |
3 在线商城评论数据采集与处理方法 |
3.1 在线商城评论数据形式化描述 |
3.2 在线商城评论数据采集方法 |
3.2.1 数据采集方案 |
3.2.2 网络爬虫流程 |
3.3 在线商城评论数据预处理方法 |
3.3.1 中文分词方法 |
3.3.2 停用词过滤方法 |
3.3.3 关键词提取方法 |
3.4 在线商城评论数据文本表示 |
3.4.1 评论数据特征选择 |
3.4.2 评论数据向量模型 |
3.5 本章小结 |
4 OMCR-LDA主题模型和垃圾评论识别方案 |
4.1 OMCR-LDA主题模型改进思路 |
4.1.1 建模思想 |
4.1.2 模型假设 |
4.1.3 符号说明 |
4.1.4 模型框架 |
4.2 OMCR-LDA主题模型构建 |
4.2.1 词共现与文本生成过程 |
4.2.2 Gibbs采样参数估计 |
4.2.3 在线商城评论语料库构建 |
4.2.4 主题数目确定 |
4.3 基于OMCR-LDA主题模型的垃圾评论识别方案 |
4.3.1 垃圾评论识别框架 |
4.3.2 模型训练方案 |
4.3.3 主题相似度计算 |
4.3.4 新样本推断 |
4.4 本章小结 |
5 京东在线商城的垃圾评论识别实验及分析 |
5.1 实验准备 |
5.1.1 实验环境 |
5.1.2 实验设计 |
5.2 实验数据 |
5.2.1 实验数据采集 |
5.2.2 实验数据预处理 |
5.2.3 人工标注 |
5.3 实验过程 |
5.3.1 模型评价指标 |
5.3.2 模型训练 |
5.3.3 识别实验 |
5.4 实验结果与分析 |
5.4.1 结果分析 |
5.4.2 对比分析 |
5.4.3 对策建议 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(7)基于LDA主题模型和ALS协同过滤的节目推荐算法(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景和意义 |
1.2 本文研究内容 |
1.3 论文组织结构 |
第二章 推荐算法和Spark平台介绍 |
2.1 推荐算法的研究现状 |
2.2 常见协同过滤推荐算法的介绍 |
2.2.1 基于用户的协同过滤 |
2.2.2 基于项目的协同过滤 |
2.2.3 基于模型的协同过滤 |
2.2.4 基于ALS矩阵分解的协同过滤 |
2.2.5 协同过滤算法的比较与选择 |
2.3 LDA主题模型概述 |
2.3.1 LDA的模型推演过程 |
2.3.2 LDA主题模型的适用性 |
2.4 Spark分布式大数据计算框架 |
2.4.1 Spark的并行计算与任务调度 |
2.4.2 弹性分布式数据结构RDD |
2.4.3 Spark MLlib简介 |
2.5 当前主要问题 |
2.6 本章小结 |
第三章 基于LDA主题模型的评分矩阵稀疏度优化算法 |
3.1 LDA主题模型求解和训练的介绍 |
3.1.1 Gibbs抽样方法对LDA模型的求解 |
3.1.2 LDA模型的训练 |
3.2 节目评分矩阵稀疏度优化算法的设计 |
3.2.1 数据文件介绍和预处理 |
3.2.2 文件读取的改进和主题分布的求解 |
3.2.3 求解矩阵的相似性算法 |
3.2.4 降低评分矩阵稀疏度的算法设计 |
3.2.5 改进算法的性能评估与适用性分析 |
3.3 基于LDA主题模型的评分矩阵稀疏度优化算法的并行化实现 |
3.3.1 LDA模型的并行化 |
3.3.2 节目评分矩阵稀疏度优化算法的并行化 |
3.3.3 并行化算法的复杂度与性能分析 |
3.4 本章小结 |
第四章 基于动态加权的ALS协同过滤算法的改进 |
4.1 ALS协同过滤算法的优缺点 |
4.2 动态加权用户和节目的协同过滤推荐算法的设计 |
4.2.1 基于特征矩阵的用户协同过滤 |
4.2.2 基于特征矩阵的项目协同过滤 |
4.2.3 动态加权用户和节目特征矩阵的协同过滤 |
4.2.4 改进算法的性能评估与适用性分析 |
4.3 基于动态加权的ALS协同过滤算法的并行化实现 |
4.3.1 ALS矩阵分解的并行化 |
4.3.2 基于特征矩阵的协同过滤算法的并行化 |
4.3.3 动态加权协同过滤算法的并行化 |
4.3.4 并行化算法的复杂度分析 |
4.4 本章小结 |
第五章 实验设计与结论分析 |
5.1 并行算法实验仿真 |
5.1.1 实验数据集 |
5.1.2 实验环境 |
5.2 推荐结果评估标准 |
5.3 实验设计与结果分析 |
5.3.1 LDA主题模型对推荐算法的提升 |
5.3.2 动态加权融合协同过滤算法的合理性 |
5.3.3 推荐算法并行化实现的性能评估 |
5.4 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录 |
(8)面向企业风险控制的网络舆情预警系统的设计与实现(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 项目研究背景及意义 |
1.2 课题相关的国内外研究与发展现状 |
1.2.1 国内网络舆情预警研究与发展现状 |
1.2.2 国外网络舆情预警研究与发展现状 |
1.3 课题的主要内容 |
1.4 论文的组织结构 |
1.5 本章小结 |
2 相关理论及技术综述 |
2.1 网络爬虫及反爬虫 |
2.2 Mongo DB数据库 |
2.3 jieba分词 |
2.4 词向量(Word2vec) |
2.4.1 CBOW模型 |
2.4.2 Skip-gram模型 |
2.5 LDA主题模型 |
2.6 情感极性分析 |
2.6.1 支持向量机(SVM)模型 |
2.6.2 逻辑回归(LR)模型 |
2.7 本章小结 |
3 企业网络舆情预警系统需求分析 |
3.1 系统功能性需求 |
3.1.1 数据采集 |
3.1.2 数据清洗 |
3.1.3 舆情分析 |
3.1.4 数据可视化 |
3.2 系统非功能性需求 |
3.3 本章小结 |
4 企业网络舆情预警系统概要设计 |
4.1 系统架构设计 |
4.2 系统总体功能结构设计 |
4.3 数据库设计 |
4.3.1 设计原则 |
4.3.2 设计模式 |
4.3.3 数据库文档及集合设计 |
4.4 本章小结 |
5 企业网络舆情预警系统详细设计与实现 |
5.1 数据采集子系统的设计与实现 |
5.1.1 配置模块 |
5.1.2 防反爬虫模块 |
5.1.3 URL去重模块 |
5.1.4 抓取模块 |
5.1.5 存储模块 |
5.2 数据清洗子系统的设计与实现 |
5.2.1 缺失值处理模块 |
5.2.2 错误值处理模块 |
5.2.3 数据去重模块 |
5.2.4 格式统一模块 |
5.3 舆情分析子系统的设计与实现 |
5.3.1 文本处理模块 |
5.3.2 主题分析模块 |
5.3.3 情感极性分析模块 |
5.3.4 舆情预警模块 |
5.4 数据可视化子系统的设计与实现 |
5.4.1 基本信息模块 |
5.4.2 关键词云模块 |
5.4.3 舆情信息模块 |
5.4.4 统计报表模块 |
5.5 本章小结 |
6 系统测试 |
6.1 测试环境及测试工具 |
6.2 算法测试 |
6.2.1 LDA主题模型算法测试 |
6.2.2 情感极性分析算法测试 |
6.3 系统功能性测试 |
6.4 系统非功能性测试 |
6.5 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
作者简历及攻读硕士/博士学位期间取得的研究成果 |
学位论文数据集 |
(9)多源学术新媒体用户生成内容的知识聚合研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 选题背景 |
1.1.1 学术新媒体成为科研工作者学术交流的新途径 |
1.1.2 学术新媒体普遍存在低质量用户生成内容 |
1.1.3 用户需求促使学术新媒体知识聚合成为趋势 |
1.1.4 多源平台内容的知识聚合需求逐渐增长 |
1.2 研究目的及意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 学术新媒体国内外研究现状 |
1.3.2 新媒体用户生成内容国内外研究现状 |
1.3.3 新媒体知识聚合国内外研究现状 |
1.3.4 研究现状述评 |
1.4 研究内容与研究方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.4.3 技术路线 |
1.5 本文创新点 |
第2章 相关概念及理论基础 |
2.1 学术新媒体内涵与特征 |
2.1.1 学术新媒体的内涵 |
2.1.2 学术新媒体的特征 |
2.2 用户生成内容概述 |
2.2.1 用户生成内容的内涵 |
2.2.2 用户生成内容的特征 |
2.2.3 用户生成内容的分类 |
2.3 知识聚合理论与方法 |
2.3.1 知识聚合的概念 |
2.3.2 知识聚合的方法 |
2.4 自然语言处理概述 |
2.4.1 自然语言处理概念 |
2.4.2 自然语言处理方法 |
2.5 本章小结 |
第3章 多源学术新媒体用户生成内容的知识聚合机理 |
3.1 多源学术新媒体用户生成内容知识聚合的内涵与类型 |
3.1.1 多源学术新媒体用户生成内容的知识聚合内涵 |
3.1.2 多源学术新媒体用户生成内容的知识聚合类型 |
3.2 多源学术新媒体用户生成内容知识聚合的要素 |
3.2.1 知识聚合主体 |
3.2.2 知识聚合客体 |
3.2.3 知识聚合的内容 |
3.2.4 知识聚合的环境 |
3.2.5 知识聚合的技术 |
3.3 多源学术新媒体用户生成内容的知识聚合动机 |
3.3.1 学术信息资源需求驱动 |
3.3.2 学术创新环境驱动 |
3.3.3 知识聚合主体收益驱动 |
3.3.4 科技进步驱动 |
3.3.5 多源学术平台资源驱动 |
3.4 多源学术新媒体用户生成内容的知识聚合过程 |
3.4.1 挖掘与解读用户需求 |
3.4.2 学术信息的数据处理 |
3.4.3 学术信息的质量评测 |
3.4.4 知识发现与聚合 |
3.4.5 学术知识推荐 |
3.5 多源学术新媒体用户生成内容的知识聚合机理模型 |
3.6 基于用户需求的多源学术新媒体用户生成内容知识聚合服务过程 |
3.7 本章小结 |
第4章 多源学术新媒体用户生成内容的质量评测 |
4.1 多源学术新媒体用户生成内容质量评测的目的 |
4.2 多源学术新媒体用户生成内容质量评测的过程与方法 |
4.2.1 多源学术新媒体用户生成内容质量评测的过程 |
4.2.2 多源学术新媒体用户生成内容质量评测方法 |
4.3 应用实例分析 |
4.3.1 数据集预处理与自动化特征提取 |
4.3.2 双层Bi-GRU模型训练 |
4.3.3 评价指标 |
4.3.4 结论与分析 |
4.4 本章小结 |
第5章 多源学术新媒体用户生成内容的知识主题生成 |
5.1 多源学术新媒体用户生成内容知识主题生成概念和目的 |
5.2 多源学术新媒体用户生成内容知识主题生成过程与方法 |
5.2.1 多源学术新媒体用户生成内容知识主题生成过程 |
5.2.2 多源学术新媒体用户生成内容知识主题生成方法 |
5.3 基于BiLSTM-CNN-CRF和 LDA的多源学术新媒体用户生成内容的知识主题生成模型 |
5.4 应用实例分析 |
5.4.1 结合BiLSTM-CNN-CRF和 LDA主题词生成 |
5.4.2 主题词过滤与融合 |
5.4.3 结论与分析 |
5.5 本章小结 |
第6章 多源学术新媒体用户生成内容的知识摘要生成 |
6.1 学术用户生成内容的摘要生成的概念及意义 |
6.2 多源学术新媒体用户生成内容摘要生成过程与方法 |
6.2.1 用户生成内容摘要生成过程 |
6.2.2 用户生成内容摘要生成方法 |
6.3 基于W2V-MMR的多源学术新媒体用户生成内容摘要生成方法 |
6.3.1 W2V-MMR算法的计算过程 |
6.3.2 多源学术新媒体用户生成内容摘要评价指标 |
6.4 应用实例分析 |
6.4.1 数据获取与预处理 |
6.4.2学术新媒体用户生成内容生成摘要实验 |
6.4.3 结论与分析 |
6.5 本章小结 |
第7章 多源学术新媒体用户生成内容的知识聚合精准推荐 |
7.1 多源学术新媒体用户生成内容知识聚合推荐的概念及目的 |
7.2 多源学术新媒体用户生成内容的知识聚合推荐过程与方法 |
7.2.1 多源学术新媒体用户生成内容的知识聚合推荐过程 |
7.2.2 多源学术新媒体用户生成内容的知识聚合推荐方法 |
7.3 基于用户兴趣度模型与传递相似度的多源学术新媒体用户生成内容的知识聚合精准推荐 |
7.3.1 基于用户兴趣度模型的精准推荐评分体系 |
7.3.2 基于用户相似性传递的用户共联网络 |
7.3.3 基于用户兴趣度模型与传递相似度的混合推荐 |
7.3.4 多源学术新媒体用户生成内容知识聚合的精准知识推荐服务 |
7.4 本章小结 |
第8章 提升多源学术新媒体知识聚合效果的策略 |
8.1 知识聚合主体层面 |
8.1.1 以用户为中心建立知识聚合理念 |
8.1.2 深入挖掘学术新媒体用户多层次的需求 |
8.1.3 完善学术新媒体平台内容质量监管和激励机制 |
8.1.4 合理规范学术新媒体内的主题与重点内容 |
8.1.5 学习与借鉴他源平台内容 |
8.2 知识聚合对象层面 |
8.2.1 促进学术用户积极互动 |
8.2.2 提升学术用户信息素养 |
8.2.3 提倡统一用词与语言凝练 |
8.2.4 提升多源平台交叉用户基数 |
8.3 知识聚合技术层面 |
8.3.1 改进大数据挖掘和人工智能技术 |
8.3.2 搭建学术新媒体的新型知识服务系统 |
8.3.3 建立多源学术新媒体的互联技术 |
8.3.4 应用学术知识可视化技术 |
8.4 知识聚合环境层面 |
8.4.1 营造良好的学术讨论氛围 |
8.4.2 加强学术新媒体平台之间的交流合作 |
8.4.3 加大学术新媒体平台的宣传力度 |
8.5 本章小结 |
第9章 研究结论与展望 |
9.1 研究结论 |
9.2 研究不足与展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(10)格雷厄姆·格林独特的荒诞性体验与小说创作(论文提纲范文)
摘要 |
Abstract |
绪论 |
一、研究背景 |
二、文献综述 |
(一)国内研究现状 |
(二)国外研究综述 |
三、研究意义与研究方法 |
(一)研究意义 |
(二)研究方法 |
第一章 格林独特的荒诞性体验 |
第一节 “荒诞”概念的界定及其意义 |
第二节 格林所处的社会文化背景 |
一、人类“荒诞”的境遇 |
二、文学的呈现与回应 |
第三节 格林生命体验的独特之处 |
一、失落的童年 |
二、不忠的信仰 |
三、身份的多维 |
第二章 格林小说创作的荒诞主题 |
第一节 格林小说荒诞性主题的形成原因 |
一、传统资源的借鉴 |
二、生命内外的探求 |
三、阅读接受的独特 |
第二节 荒诞主题的具体呈现 |
一、梦境:在逃离努力中的“荒诞”境遇 |
二、信仰:寻找自我拯救中的“荒诞”再次构成 |
三、旅行:关照“荒诞”命运过程中的“荒诞”强化 |
第三章 格林小说创作的荒诞艺术 |
第一节 格林笔下不同人物的荒诞性 |
一、格林创作中的人物群像 |
二、格林人物书写的典型类别 |
第二节 格林之原:格林小说荒诞的环境 |
一、何为“格林之原” |
二、“荒原城市”:荒诞性的城市书写 |
三、“边缘世界”:荒诞性的他者想象 |
第三节 荒诞——格林小说创作的底色 |
一、悖谬:格林式荒诞的主要形式 |
二、通俗与严肃交融——格林式荒诞的栖息之所 |
第四章 格林小说创作的荒诞意义 |
第一节 格林小说创作荒诞的独特性 |
一、行走在严肃与通俗之间 |
二、挣扎在政治和审美之间 |
三、徘徊在现实与梦境之间 |
第二节 格林小说荒诞的文学史意义 |
一、荒诞流变中的继承 |
二、生命与创作融为一体的创新 |
结语 |
参考文献 |
后记 |
在学期间公开发表论文及着作情况 |
四、回归真实——关于新闻的困惑与求解(论文参考文献)
- [1]高校通识教育中的设计课程研究:概念、内容与课题方法[D]. 曹勇. 南京艺术学院, 2021(12)
- [2]微博舆情观点团簇形成机理与演化态势感知研究[D]. 赵江元. 吉林大学, 2021(01)
- [3]面向开放式文本生成的智能算法研究与实现[D]. 刘哲君. 电子科技大学, 2021(01)
- [4]基于狄利克雷回归的微博主题检测模型研究[D]. 杜增文. 中国科学院大学(中国科学院大学人工智能学院), 2020(04)
- [5]基于文本挖掘的主题投资探索性研究[D]. 刘冠东. 华南理工大学, 2020(02)
- [6]基于改进LDA的在线商城垃圾评论识别研究[D]. 唐子豪. 西安理工大学, 2020(01)
- [7]基于LDA主题模型和ALS协同过滤的节目推荐算法[D]. 彭奥翔. 北京邮电大学, 2020(05)
- [8]面向企业风险控制的网络舆情预警系统的设计与实现[D]. 石艾. 北京交通大学, 2020(03)
- [9]多源学术新媒体用户生成内容的知识聚合研究[D]. 陶兴. 吉林大学, 2020(08)
- [10]格雷厄姆·格林独特的荒诞性体验与小说创作[D]. 张津津. 东北师范大学, 2020(06)