| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题背景和意义 | 第10-15页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 研究目的和意义 | 第11-15页 |
| 1.2 国内外相关研究 | 第15-19页 |
| 1.2.1 在线商业意图 | 第15-16页 |
| 1.2.2 意图分析与挖掘 | 第16-17页 |
| 1.2.3 基于微博的兴趣识别 | 第17页 |
| 1.2.4 愿望发现 | 第17-19页 |
| 1.2.5 基于社会媒体的预测 | 第19页 |
| 1.3 本文研究内容 | 第19-20页 |
| 1.3.1 基于 SVM 的消费意图挖掘 | 第19-20页 |
| 1.3.2 基于深度学习的消费意图挖掘 | 第20页 |
| 1.3.3 消费意图到行为的转化 | 第20页 |
| 1.3.4 消费意图于预测的应用 | 第20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 基于 SVM 及 Na ve Bayes 的消费意图挖掘 | 第21-30页 |
| 2.1 引言 | 第21页 |
| 2.2 消费意图语料的获取与标注 | 第21-25页 |
| 2.2.1 京东商品分类体系语料 | 第22-23页 |
| 2.2.2 母婴类产品微博语料 | 第23-24页 |
| 2.2.3 母婴类产品淘宝问答语料 | 第24-25页 |
| 2.3 基于用户的数据去噪声 | 第25-26页 |
| 2.4 基于 SVM 的消费意图挖掘 | 第26-27页 |
| 2.5 基于 Na ve Bayes 和迁移学习的消费意图挖掘 | 第27-28页 |
| 2.6 实验结果 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第3章 基于深度学习的消费意图挖掘 | 第30-35页 |
| 3.1 引言 | 第30页 |
| 3.2 分布式词表示模型 | 第30-31页 |
| 3.3 深度学习简介 | 第31-32页 |
| 3.4 基于分布式词表示和 SDAE 的消费意图分类 | 第32-34页 |
| 3.5 实验结果 | 第34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 消费意图到行为的转化 | 第35-39页 |
| 4.1 引言 | 第35页 |
| 4.2 自动发放消费意图到行为转化调查问卷 | 第35-36页 |
| 4.3 消费意图到行为转化分析 | 第36-37页 |
| 4.4 消费意图分类模型评价 | 第37-38页 |
| 4.5 基于调查问卷反馈的消费行为分类 | 第38页 |
| 4.6 本章小结 | 第38-39页 |
| 第5章 基于消费意图的预测 | 第39-53页 |
| 5.1 引言 | 第39页 |
| 5.2 面向电影的消费意图挖掘 | 第39-40页 |
| 5.3 基于消费意图挖掘的电影票房预测 | 第40-43页 |
| 5.3.1 电影票房预测使用的特征 | 第40-41页 |
| 5.3.2 基于线性回归模型的票房预测 | 第41页 |
| 5.3.3 基于 SVM 回归模型的票房预测 | 第41页 |
| 5.3.4 Baseline 实验 | 第41页 |
| 5.3.5 评价方法 | 第41-42页 |
| 5.3.6 实验数据 | 第42页 |
| 5.3.7 实验结果 | 第42-43页 |
| 5.4 电影票房预测系统 | 第43-52页 |
| 5.4.1 系统架构图 | 第44页 |
| 5.4.2 电影票房数据库模块 | 第44-45页 |
| 5.4.3 数据获取与预处理模块 | 第45-47页 |
| 5.4.4 消费意图挖掘模块 | 第47-48页 |
| 5.4.5 票房预测模块 | 第48页 |
| 5.4.6 数据 API 模块 | 第48-49页 |
| 5.4.7 前端展示模块 | 第49-52页 |
| 5.5 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间发表的学术论文 | 第58-60页 |
| 致谢 | 第60-61页 |
