| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 研究现状 | 第10-14页 |
| 1.3.1 关于抑郁症研究 | 第10-11页 |
| 1.3.2 关于微博研究 | 第11-13页 |
| 1.3.3 研究现状评述 | 第13-14页 |
| 1.4 研究内容和研究方法 | 第14-16页 |
| 1.4.1 研究内容 | 第14页 |
| 1.4.2 研究方法 | 第14-16页 |
| 1.5 论文结构框架 | 第16-17页 |
| 第2章 理论基础 | 第17-31页 |
| 2.1 抑郁症的相关概念 | 第17-20页 |
| 2.2 机器学习 | 第20-30页 |
| 2.2.1 特征选择算法与 Relief 算法 | 第21-24页 |
| 2.2.2 深度学习与玻尔兹曼机 | 第24-27页 |
| 2.2.3 神经网络 | 第27-28页 |
| 2.2.4 支持向量机 | 第28-29页 |
| 2.2.5 Softmax 回归 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 微博用户抑郁倾向识别模型 | 第31-54页 |
| 3.1 引言 | 第31页 |
| 3.2 模型设计思路 | 第31页 |
| 3.3 标注账号 | 第31-32页 |
| 3.4 实验数据获取与预处理 | 第32-34页 |
| 3.5 微博用户分析 | 第34-47页 |
| 3.5.1 样本用户的基本情况 | 第34-35页 |
| 3.5.2 微博内容的词频 | 第35-37页 |
| 3.5.3 表情符号的使用 | 第37-40页 |
| 3.5.4 微博数量与时间的关系 | 第40-44页 |
| 3.5.5 微博用户的粉丝和关注 | 第44-47页 |
| 3.6 微博用户抑郁倾向识别模型构建 | 第47-52页 |
| 3.6.1 训练集和测试集的构造 | 第47页 |
| 3.6.2 特征选择 | 第47-51页 |
| 3.6.3 机器学习模型的选择 | 第51页 |
| 3.6.4 对训练集的识别能力 | 第51-52页 |
| 3.6.5 对测试集分类的结果 | 第52页 |
| 3.7 微博用户抑郁倾向识别方法的流程 | 第52-53页 |
| 3.8 本章小结 | 第53-54页 |
| 第4章 高校学生微博用户中抑郁症问题实证研究 | 第54-61页 |
| 4.1 引言 | 第54页 |
| 4.2 数据获取 | 第54页 |
| 4.3 大学生微博用户中抑郁症分析 | 第54-58页 |
| 4.3.1 大学生微博用户中抑郁症概况 | 第54-57页 |
| 4.3.2 抑郁倾向大学生案例分析 | 第57-58页 |
| 4.4 对高校管理的一些建议 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-70页 |
| 附录 1 部分样本数据 | 第70-73页 |
| 附录 2 统计词频所用 JAVA 程序代码 | 第73-76页 |
| 附录 3 统计微博数量时间分布所用 MATLAB 程序代码 1 | 第76-81页 |
| 附录 4 统计微博数量时间分布所用 MATLAB 程序代码 2 | 第81-83页 |
| 致谢 | 第83页 |