| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 选题背景和意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 相关知识研究现状 | 第11-15页 |
| 1.2.1 电影评分网站数据研究现状 | 第11-12页 |
| 1.2.2 电影预测模型研究现状 | 第12-15页 |
| 1.3 研究目的和研究方法 | 第15-16页 |
| 1.3.1 研究目的 | 第15页 |
| 1.3.2 研究方法 | 第15-16页 |
| 1.4 研究特色与创新点 | 第16页 |
| 1.5 论文基本框架 | 第16-19页 |
| 第2章 预备知识 | 第19-31页 |
| 2.1 电影预测模型的主流数据源 | 第19-20页 |
| 2.1.1 国外电影预测模型主流数据源 | 第19-20页 |
| 2.1.2 国内电影预测模型主流数据源 | 第20页 |
| 2.2 电影预测模型的特征信息 | 第20-21页 |
| 2.3 机器学习算法 | 第21-30页 |
| 2.3.1 多元线性回归算法 | 第22-25页 |
| 2.3.2 Gradient Boosting算法 | 第25-27页 |
| 2.3.3 随机森林回归算法 | 第27-28页 |
| 2.3.4 其他机器学习算法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 豆瓣网站电影在线评分的混合预测模型设计 | 第31-44页 |
| 3.1 混合预测模型数据集 | 第31-32页 |
| 3.2 基于电影特征信息的预测模型 | 第32-36页 |
| 3.2.1 基于电影特征预测模型的特征变量 | 第32-35页 |
| 3.2.2 基于电影特征信息的预测模型思想 | 第35-36页 |
| 3.3 基于豆瓣用户评分的预测模型 | 第36-39页 |
| 3.3.1 融合豆瓣用户评分的依据 | 第36-37页 |
| 3.3.2 基于豆瓣用户评分的预测模型思想 | 第37-39页 |
| 3.4 基于豆瓣相似电影推荐的预测模型 | 第39-40页 |
| 3.5 电影在线评分的混合预测模型 | 第40-42页 |
| 3.6 预测模型的预测准确率指标 | 第42-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 实验结果对比及分析 | 第44-60页 |
| 4.1 基于电影特征信息的预测结果 | 第44-48页 |
| 4.1.1 机器学习算法对比实验结果 | 第44-46页 |
| 4.1.2 不同特征信息使用量的对比实验结果 | 第46-48页 |
| 4.2 基于用户评分的预测结果 | 第48-53页 |
| 4.3 基于豆瓣相似电影推荐的预测结果 | 第53-54页 |
| 4.4 混合预测模型的预测结果 | 第54-59页 |
| 4.5 实验小结 | 第59-60页 |
| 第5章 结论与展望 | 第60-62页 |
| 5.1 论文的主要工作和结论 | 第60页 |
| 5.2 进一步研究工作的展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表论文及科研情况 | 第66页 |