数据挖掘技术在世博客流与社交媒体预测中的研究与应用
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-12页 |
| 第一章 绪论 | 第12-20页 |
| ·研究背景和意义 | 第12-13页 |
| ·数值预测方法的研究与现状 | 第13-15页 |
| ·线性模型预测 | 第14页 |
| ·非线性模型预测 | 第14-15页 |
| ·组合模型预测 | 第15页 |
| ·基于社交媒体预测研究的现状 | 第15-16页 |
| ·情感分析研究的现状 | 第16-18页 |
| ·本文的主要工作 | 第18页 |
| ·本文的结构安排 | 第18页 |
| ·本章小结 | 第18-20页 |
| 第二章 研究方法的基础理论介绍 | 第20-35页 |
| ·引言 | 第20页 |
| ·数据挖掘的产生与简介 | 第20-23页 |
| ·数据挖掘的产生 | 第20-21页 |
| ·数据挖掘简介 | 第21-23页 |
| ·时间序列挖掘——ARIMA 预测理论 | 第23-25页 |
| ·多元线性回归理论 | 第25-29页 |
| ·经典多元线性回归模型 | 第26-27页 |
| ·参数向量B 的最小二乘估计 | 第27-28页 |
| ·σ2 的估计 | 第28页 |
| ·参数函数α’β的估计 | 第28-29页 |
| ·BP 神经网络理论 | 第29-34页 |
| ·BP 神经网络结构 | 第29-30页 |
| ·BP 算法理论推导 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 世博客流预测 | 第35-49页 |
| ·引言 | 第35页 |
| ·SPSS 工具简介 | 第35-36页 |
| ·ARIMA 预测模型 | 第36-37页 |
| ·拐点预测模型 | 第37-42页 |
| ·世博客流数据的特征 | 第37-38页 |
| ·计算拐点的算法 | 第38-39页 |
| ·拐点模型的建立 | 第39-40页 |
| ·拐点模型预测 | 第40-42页 |
| ·BP 模型预测 | 第42-45页 |
| ·BP 模型的建立 | 第43-44页 |
| ·BP 模型预测 | 第44-45页 |
| ·组合模型预测 | 第45-46页 |
| ·组合模型的原理 | 第45页 |
| ·组合模型的预测 | 第45-46页 |
| ·与经典组合模型的比较 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于社交媒体的电影票房预测 | 第49-73页 |
| ·引言 | 第49页 |
| ·微博简介 | 第49-50页 |
| ·微博数据的获取与特点 | 第50-57页 |
| ·微博数据的获取 | 第50-52页 |
| ·微博数据的特点 | 第52-53页 |
| ·数据整理与抽取 | 第53页 |
| ·与电影相关的微博特点 | 第53-56页 |
| ·电影研究对象的选取 | 第56-57页 |
| ·微博用于电影票房预测 | 第57-65页 |
| ·上映前的URL 与转播率用于票房预测 | 第57-60页 |
| ·微博数量用于票房预测 | 第60-62页 |
| ·国产电影与引进电影分别建模预测 | 第62-64页 |
| ·电影票房预测模型验证 | 第64页 |
| ·不同时间粒度建模预测对比 | 第64-65页 |
| ·情感分析在票房预测中的应用 | 第65-72页 |
| ·情感分析分词工具 | 第65页 |
| ·基于HowNet 的情感词词库扩展 | 第65-67页 |
| ·副词修饰词词典的构建 | 第67页 |
| ·微博内容倾向性判断算法 | 第67-68页 |
| ·电影微博中的主观性变化规律 | 第68-69页 |
| ·电影微博中的电影情感值变化规律 | 第69-70页 |
| ·带微博情感值的票房预测 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| ·本文工作总结 | 第73-74页 |
| ·工作展望 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间已发表或录用的论文 | 第79页 |
