基于微博数据的电影票房预测模型研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 引言 | 第9-15页 |
| ·研究背景 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·数据挖掘发展现状 | 第10-11页 |
| ·微博研究现状 | 第11-12页 |
| ·票房预测研究现状 | 第12-13页 |
| ·论文的结构 | 第13-14页 |
| ·本文创新点 | 第14-15页 |
| 第2章 微博相关理论概述 | 第15-22页 |
| ·微博定义 | 第15-16页 |
| ·微博功能分析 | 第16-17页 |
| ·记录生活,抒发情感 | 第16-17页 |
| ·发布、获取和共享信息 | 第17页 |
| ·社会交往,相互交流 | 第17页 |
| ·微博用户使用动机分析 | 第17-19页 |
| ·微博传播相关理论 | 第19-20页 |
| ·技术接受模型 | 第20-21页 |
| ·小结 | 第21-22页 |
| 第3章 票房预测相关理论与技术研究 | 第22-35页 |
| ·数据挖掘相关理论 | 第22-24页 |
| ·数据挖掘概念 | 第22页 |
| ·数据挖掘工具SPSS Clementine | 第22-24页 |
| ·Clementine票房预测流程 | 第24-26页 |
| ·商业理解 | 第24页 |
| ·数据理解 | 第24-25页 |
| ·数据准备 | 第25页 |
| ·建模 | 第25页 |
| ·模型评估 | 第25页 |
| ·模型部署 | 第25-26页 |
| ·支持向量机模型 | 第26-29页 |
| ·支持向量机工作原理 | 第26-27页 |
| ·支持向量机分类 | 第27-29页 |
| ·线性可分支持向量机 | 第27-28页 |
| ·线性不可分支持向量机 | 第28-29页 |
| ·神经网络模型 | 第29-31页 |
| ·线性回归模型 | 第31-34页 |
| ·一元线性回归模型 | 第31-32页 |
| ·多元线性回归模型 | 第32-34页 |
| ·小结 | 第34-35页 |
| 第4章 票房预测量化测度研究 | 第35-39页 |
| ·提取数据 | 第35-36页 |
| ·搜集数据 | 第36-37页 |
| ·处理数据 | 第37-38页 |
| ·小结 | 第38-39页 |
| 第5章 票房预测模型及其性能评价 | 第39-46页 |
| ·模型构建和分析 | 第39-43页 |
| ·神经网络模型 | 第40-41页 |
| ·支持向量机模型 | 第41-42页 |
| ·线性回归模型 | 第42-43页 |
| ·综合分析比较 | 第43-44页 |
| ·模型验证 | 第44页 |
| ·模型部署 | 第44页 |
| ·小结 | 第44-46页 |
| 第6章 论文总结和展望 | 第46-48页 |
| ·论文主要工作总结 | 第46-47页 |
| ·下一步研究工作 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 攻读硕士学位期间发表的学术论文 | 第52页 |
