网络热点话题趋势分析及预测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 研究现状及分析 | 第11-15页 |
| 1.3.1 趋势预测研究现状 | 第11-12页 |
| 1.3.2 面向微博预测的情感分析研究现状 | 第12-13页 |
| 1.3.3 微博预测的研究现状 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-17页 |
| 第2章 基于联合深度学习的话题情感分类 | 第17-27页 |
| 2.1 研究背景 | 第17-18页 |
| 2.2 基本原理 | 第18-22页 |
| 2.2.1 词的向量化 | 第18-19页 |
| 2.2.2 卷积抽取N-gram特征 | 第19-20页 |
| 2.2.3 长短期记忆模型 | 第20-22页 |
| 2.3 实验结果和分析 | 第22-26页 |
| 2.3.1 实验数据 | 第22页 |
| 2.3.2 预处理流程 | 第22-23页 |
| 2.3.3 评价指标 | 第23-24页 |
| 2.3.4 实验结果及分析 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 微博短期话题趋势分析及预测 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 微博热点话题趋势分析 | 第27-30页 |
| 3.3 微博热点话题趋势预测 | 第30-33页 |
| 3.3.1 基于指数自回归预测方法 | 第30-31页 |
| 3.3.2 基于GBDT的非线性回归预测方法 | 第31-32页 |
| 3.3.3 基于卷积神经网络的趋势预测方法 | 第32-33页 |
| 3.4 实验结果和分析 | 第33-40页 |
| 3.4.1 实验数据 | 第33-35页 |
| 3.4.2 评价指标 | 第35页 |
| 3.4.3 基线方法 | 第35-36页 |
| 3.4.4 实验结果分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于子主题分离的长期话题预测研究 | 第41-53页 |
| 4.1 引言 | 第41-42页 |
| 4.2 在线LDA模型简介 | 第42-44页 |
| 4.2.1 LDA主题模型 | 第42-43页 |
| 4.2.2 在线LDA(OLDA)模型 | 第43-44页 |
| 4.3 基于在线LDA的子主题分离话题预测 | 第44-47页 |
| 4.3.1 研究方法概述 | 第44-45页 |
| 4.3.2 主题强度和内容变异度量 | 第45-46页 |
| 4.3.3 SVM预测值分类 | 第46-47页 |
| 4.4 实验结果和分析 | 第47-52页 |
| 4.4.1 实验数据 | 第47-48页 |
| 4.4.2 在线LDA模型实验及结果分析 | 第48-50页 |
| 4.4.3 SVM分类实验及结果分析 | 第50-51页 |
| 4.4.4 趋势预测实验及结果分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-62页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第62-64页 |
| 致谢 | 第64页 |
