| 内容摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 研究现状 | 第14-16页 |
| 1.4 主要研究内容 | 第16-18页 |
| 1.5 论文结构 | 第18-19页 |
| 第二章 相关理论及方法介绍 | 第19-39页 |
| 2.1 时间序列分析 | 第19-21页 |
| 2.1.1 时间序列分析基本概念 | 第19-20页 |
| 2.1.2 常用时间序列模型 | 第20-21页 |
| 2.2 递归神经网络概述 | 第21-31页 |
| 2.2.1 神经网络发展历史 | 第21-22页 |
| 2.2.2 神经网络的特点 | 第22-23页 |
| 2.2.3 递归神经网络基本概念 | 第23-25页 |
| 2.2.4 LSTM神经网络基本概念 | 第25-28页 |
| 2.2.5 神经网络激活函数基本概念 | 第28-29页 |
| 2.2.6 神经网络中常用激活函数 | 第29-31页 |
| 2.3 Web数据挖掘概述 | 第31-37页 |
| 2.3.1 Web数据挖掘的分类 | 第31-32页 |
| 2.3.2 Web文档爬取方法 | 第32-33页 |
| 2.3.3 Web文档半结构化数据查询方法 | 第33-34页 |
| 2.3.4 TF-IDF算法 | 第34-35页 |
| 2.3.5 LDA主题模型 | 第35-36页 |
| 2.3.6 文本情感分析 | 第36-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第三章 基于月营收数据的盈利预测模型 | 第39-53页 |
| 3.1 引言 | 第39-41页 |
| 3.2 Maxout-LSTM神经网络盈利预测模型设计 | 第41-45页 |
| 3.2.1 Maxout激活函数 | 第41-42页 |
| 3.2.2 基于Maxout函数对LSTM神经网络的改进设计 | 第42-43页 |
| 3.2.3 对照模型的选取 | 第43-44页 |
| 3.2.4 Maxout-LSTM盈利预测过程 | 第44-45页 |
| 3.3 Maxout-LSTM神经网络盈利预测模型的实现 | 第45-49页 |
| 3.3.1 特征抽取 | 第45-46页 |
| 3.3.2 Maxout-LSTM盈利预测模型的实现 | 第46-47页 |
| 3.3.3 Maxout-LSTM学习过程 | 第47-49页 |
| 3.4 实验及结果 | 第49-52页 |
| 3.4.1 月营收数据简介 | 第49-51页 |
| 3.4.2 实验结果及对比 | 第51-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于评论特征的扩展盈利预测模型 | 第53-75页 |
| 4.1 引言 | 第53页 |
| 4.2 基于评论特征的扩展盈利预测模型设计 | 第53-54页 |
| 4.3 数据准备 | 第54-56页 |
| 4.3.1 评论数据的获取 | 第54-55页 |
| 4.3.2 评论文本预处理 | 第55-56页 |
| 4.4 评论基础特征 | 第56-57页 |
| 4.5 基于主题模型的主题特征 | 第57-59页 |
| 4.6 基于情感分析的情感特征 | 第59-63页 |
| 4.6.1 评论情感分析模块设计 | 第59-61页 |
| 4.6.2 评论情感分析模块实现及展示 | 第61-63页 |
| 4.7 低贡献度用户的评分修正 | 第63-68页 |
| 4.7.1 评分修正模块设计 | 第64-65页 |
| 4.7.2 评分修正模块实现效果及展示 | 第65-68页 |
| 4.8 评论特征与营收值的相关性分析 | 第68-70页 |
| 4.9 实验及结果 | 第70-73页 |
| 4.9.1 评论数据简介 | 第70-71页 |
| 4.9.2 实验结果比对 | 第71-73页 |
| 4.10 本章小结 | 第73-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 附录 | 第77-81页 |
| 参考文献 | 第81-85页 |
| 在学期间取得的科研成果 | 第85-86页 |
| 致谢 | 第86页 |
