基于微博大数据的游客情感及时空变化研究--以西安为例
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 大数据时代的到来 | 第10-11页 |
| 1.1.2 微博是良好的大数据平台 | 第11页 |
| 1.1.3 情感研究逐渐引起重视 | 第11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.2.1 理论意义 | 第11-12页 |
| 1.2.2 实践意义 | 第12页 |
| 1.3 研究方法 | 第12-14页 |
| 1.3.1 情感分析法 | 第12-13页 |
| 1.3.2 核密度估计法 | 第13页 |
| 1.3.3 对比实验法 | 第13页 |
| 1.3.4 内容分析法 | 第13页 |
| 1.3.5 问卷调查法 | 第13-14页 |
| 1.4 研究框架 | 第14-16页 |
| 1.4.1 研究内容 | 第14页 |
| 1.4.2 技术路线 | 第14-16页 |
| 第2章 文献综述与理论基础 | 第16-28页 |
| 2.1 文献综述 | 第16-24页 |
| 2.1.1 大数据相关研究 | 第16-17页 |
| 2.1.2 微博相关研究 | 第17-19页 |
| 2.1.3 情感相关研究 | 第19-20页 |
| 2.1.4 微博情感分析研究 | 第20-22页 |
| 2.1.5 游客情感相关研究 | 第22-24页 |
| 2.1.6 综述小结 | 第24页 |
| 2.2 理论基础 | 第24-28页 |
| 2.2.1 大数据思想 | 第24-25页 |
| 2.2.2 时空思维 | 第25页 |
| 2.2.3 情感理论 | 第25-26页 |
| 2.2.4 理论小结 | 第26-28页 |
| 第3章 数据采集与处理 | 第28-40页 |
| 3.1 数据采集 | 第28页 |
| 3.2 数据预处理 | 第28-30页 |
| 3.3 模型构建与情感值计算 | 第30-40页 |
| 3.3.1 分词词典更新 | 第30-31页 |
| 3.3.2 情感词典更新 | 第31-33页 |
| 3.3.3 情感分析模型构建 | 第33-34页 |
| 3.3.4 情感值计算 | 第34-40页 |
| 第4章 游客情感时空变化分析 | 第40-76页 |
| 4.1 时间变化分析 | 第40-48页 |
| 4.1.1 时变化 | 第40-43页 |
| 4.1.2 日变化 | 第43-44页 |
| 4.1.3 周变化 | 第44-45页 |
| 4.1.4 月变化 | 第45-46页 |
| 4.1.5 节假日变化 | 第46-47页 |
| 4.1.6 时间变化小结 | 第47-48页 |
| 4.2 空间分布分析 | 第48-63页 |
| 4.2.1 微博发布热点分析 | 第49-55页 |
| 4.2.2 游客积极情绪的空间分布 | 第55-58页 |
| 4.2.3 游客消极情绪的空间分布 | 第58-60页 |
| 4.2.4 游客中性情绪的空间分布 | 第60页 |
| 4.2.5 游客综合情感的空间分布 | 第60-62页 |
| 4.2.6 空间分布小结 | 第62-63页 |
| 4.3 时空变化分析 | 第63-76页 |
| 4.3.1 时时空变化 | 第64-69页 |
| 4.3.2 季时空变化 | 第69-71页 |
| 4.3.3 节时空变化 | 第71-74页 |
| 4.3.4 时空变化小结 | 第74-76页 |
| 第5章 游客情感影响因素分析 | 第76-86页 |
| 5.1 线上数据的深入分析 | 第76-83页 |
| 5.1.1 微博文本的词频分析 | 第76-80页 |
| 5.1.2 游客情感值高低与其归属地的关联分析 | 第80-83页 |
| 5.2 线下数据的验证分析 | 第83-84页 |
| 5.3 本章小结 | 第84-86页 |
| 第6章 研究结论与展望 | 第86-90页 |
| 6.1 研究结论 | 第86-88页 |
| 6.2 创新之处 | 第88页 |
| 6.3 不足与展望 | 第88-90页 |
| 参考文献 | 第90-96页 |
| 附录 | 第96-98页 |
| 致谢 | 第98-100页 |
| 攻读硕士学位期间研究成果 | 第100页 |
