微信公众号文章热度的预测与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 文章热度预测研究现状 | 第11-13页 |
| 1.2.2 自动摘要研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-18页 |
| 1.3.1 微信公众号文章阅读量预测 | 第14-16页 |
| 1.3.2 微信公众号文章标题生成 | 第16-18页 |
| 1.4 本文的贡献 | 第18页 |
| 1.5 论文组织结构 | 第18-20页 |
| 第二章 研究基础综述 | 第20-28页 |
| 2.1 预测算法相关基础 | 第20-24页 |
| 2.1.1 特征选择 | 第20-21页 |
| 2.1.2 预测算法 | 第21-24页 |
| 2.2 自动摘要相关基础 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 数据准备 | 第28-36页 |
| 3.1 爬虫技术介绍和应用 | 第28-30页 |
| 3.1.1 技术介绍 | 第28页 |
| 3.1.2 技术应用 | 第28-30页 |
| 3.2 数据白描 | 第30-35页 |
| 3.2.1 总体情况 | 第30-32页 |
| 3.2.2 不同时期文章发布的数量变化 | 第32-33页 |
| 3.2.3 文章阅读量TOP10 | 第33-34页 |
| 3.2.4 标题文本分析 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 文章阅读量预测模型 | 第36-48页 |
| 4.1 数据集介绍 | 第36页 |
| 4.2 统计特征提取和选择 | 第36-39页 |
| 4.2.1 特征提取 | 第36-38页 |
| 4.2.2 特征选择 | 第38-39页 |
| 4.3 基于层次化LSTM的混合预测模型 | 第39-41页 |
| 4.4 实验和结果分析 | 第41-45页 |
| 4.4.1 评价指标 | 第41-42页 |
| 4.4.2 基于历史数据的LSTM模型 | 第42页 |
| 4.4.3 特征选择实验 | 第42-43页 |
| 4.4.4 基于统计特征的层次化LSTM模型 | 第43-44页 |
| 4.4.5 层次化LSTM模型短期预测优越性 | 第44-45页 |
| 4.4.6 混合预测模型 | 第45页 |
| 4.5 本章小结 | 第45-48页 |
| 第五章 标题生成模型 | 第48-58页 |
| 5.1 数据预处理 | 第48-51页 |
| 5.1.1 数据集介绍 | 第48页 |
| 5.1.2 数据清洗 | 第48-49页 |
| 5.1.3 数据编码 | 第49-50页 |
| 5.1.4 “标题党”过滤 | 第50-51页 |
| 5.1.5 数据预处理小结 | 第51页 |
| 5.2 基于神经网络的生成模型 | 第51-55页 |
| 5.2.1 编码器 | 第52页 |
| 5.2.2 解码器 | 第52-53页 |
| 5.2.3 Attention机制 | 第53-54页 |
| 5.2.4 先验分布 | 第54-55页 |
| 5.3 实验结果和分析 | 第55-57页 |
| 5.3.1 评价指标 | 第55页 |
| 5.3.2 实验结果 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 微信运营管理系统实现 | 第58-68页 |
| 6.1 系统架构设计 | 第58页 |
| 6.2 系统开发环境 | 第58-59页 |
| 6.3 系统设计与实现 | 第59-66页 |
| 6.3.1 系统应用需求设计 | 第59-60页 |
| 6.3.2 数据库设计 | 第60-61页 |
| 6.3.3 系统用例与界面展示 | 第61-66页 |
| 6.4 本章小结 | 第66-68页 |
| 第七章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 攻读学位期间发表或已录用的学位论文 | 第78页 |
