| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 研究目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 论文主要研究内容和结构安排 | 第13-15页 |
| 1.4.1 论文的主要内容 | 第13-14页 |
| 1.4.2 论文组织结构 | 第14-15页 |
| 2 相关理论与技术研究 | 第15-24页 |
| 2.1 微信特征 | 第15-17页 |
| 2.1.1 微信的传播方式 | 第15-16页 |
| 2.1.2 微信平台介绍 | 第16-17页 |
| 2.2 关联规则挖掘技术 | 第17-20页 |
| 2.2.1 关联规则基本概念 | 第17-18页 |
| 2.2.2 关联规则挖掘步骤 | 第18-19页 |
| 2.2.3 关联规则分类 | 第19页 |
| 2.2.4 Apriori算法介绍 | 第19-20页 |
| 2.3 数据获取技术 | 第20-21页 |
| 2.3.1 Python语言 | 第20-21页 |
| 2.3.2 Scrapy框架 | 第21页 |
| 2.4 数据清洗 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 微信热点分析系统的模型设计 | 第24-29页 |
| 3.1 系统总体架构设计 | 第24-25页 |
| 3.2 系统功能模块设计 | 第25-28页 |
| 3.2.1 微信数据爬取 | 第25-26页 |
| 3.2.2 微信数据预处理 | 第26-27页 |
| 3.2.3 微信热点词分析处理 | 第27-28页 |
| 3.3 本章小结 | 第28-29页 |
| 4 Apriori算法的改进设计 | 第29-43页 |
| 4.1 Apriori算法的改进策略 | 第29-35页 |
| 4.1.1 改进算法思想 | 第29-32页 |
| 4.1.2 改进算法描述 | 第32-35页 |
| 4.2 LQ_apriori算法的实现过程 | 第35-38页 |
| 4.3 LQ_apriori算法与传统Apriori算法对比分析 | 第38-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 LQ_apriori算法在微信热点分析中的应用 | 第43-51页 |
| 5.1 关联规则提取过程 | 第43-48页 |
| 5.2 结果分析 | 第48-50页 |
| 5.3 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| 6.1 论文总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间参与的项目和科研成果 | 第57-58页 |
| 致谢 | 第58页 |