摘要 | 第5-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第11-17页 |
1.1 论文研究背景及意义 | 第11-12页 |
1.1.1 研究背景 | 第11页 |
1.1.2 研究意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.3 研究工作和创新点 | 第14-15页 |
1.3.1 论文的研究工作 | 第14-15页 |
1.3.2 论文的创新点 | 第15页 |
1.4 论文的组织结构 | 第15-17页 |
第二章 相关理论与技术 | 第17-28页 |
2.1 数据预处理技术 | 第17-18页 |
2.1.1 归一化 | 第17-18页 |
2.1.2 哑变量离散化 | 第18页 |
2.2 预测算法 | 第18-20页 |
2.2.1 XGBOOST预测算法 | 第18-20页 |
2.2.2 时间序列预测算法 | 第20页 |
2.3 文本相似度算法 | 第20-22页 |
2.3.1 LSI算法 | 第20-21页 |
2.3.2 TF-IDF算法和余弦相似性计算 | 第21-22页 |
2.4 频繁项集算法 | 第22-23页 |
2.5 系统相关技术 | 第23-27页 |
2.5.1 文本分词 | 第23-24页 |
2.5.2 SPARK计算平台 | 第24-25页 |
2.5.3 数据存储技术 | 第25-27页 |
2.6 本章小结 | 第27-28页 |
第三章 数据预处理 | 第28-39页 |
3.1 数据源 | 第28页 |
3.2 微博文本分词 | 第28-30页 |
3.2.1 微博文本预处理 | 第28-29页 |
3.2.2 IKANALYZER分词 | 第29-30页 |
3.3 数据网络建立 | 第30-32页 |
3.3.1 微博用户关注网络构建 | 第30-31页 |
3.3.2 微博转发网络构建 | 第31-32页 |
3.4 数据特征提取 | 第32-36页 |
3.4.1 微博用户特征提取 | 第32-33页 |
3.4.2 微博用户粉丝特征提取 | 第33-35页 |
3.4.3 微博自身特征提取 | 第35-36页 |
3.5 数据归一化与离散 | 第36-38页 |
3.5.1 数据归一化 | 第36-37页 |
3.5.2 时间哑变量离散 | 第37-38页 |
3.6 本章小结 | 第38-39页 |
第四章 基于时序特征和XGBoost的微博分时预测模型设计 | 第39-57页 |
4.1 相关研究工作 | 第39页 |
4.2 文本相似与ARMA融合的分时转发量预测方法 | 第39-51页 |
4.2.1 TS-ARMA分时预测模型构建思路 | 第39-42页 |
4.2.2 基于文本相似算法的时序特征构建 | 第42-45页 |
4.2.3 模型的评价标准 | 第45页 |
4.2.4 实验结果分析 | 第45-51页 |
4.3 基于XGBOOOST算法的微博分时转发量预测 | 第51-56页 |
4.3.1 分时预测模型评价标准 | 第51-52页 |
4.3.2 分时时刻训练数据整理 | 第52页 |
4.3.3 XGBOOST算法分时转发量预测和优势 | 第52-54页 |
4.3.4 实验与分析 | 第54-56页 |
4.4 本章小结 | 第56-57页 |
第五章 基于频繁项集算法的微博转发爆炸点分析模型设计 | 第57-67页 |
5.1 微博数据类型介绍 | 第57-58页 |
5.2 微博转发爆炸点挖掘 | 第58-63页 |
5.2.1 微博转发爆炸点特点分析 | 第58-59页 |
5.2.2 关键微博用户筛选 | 第59-60页 |
5.2.3 微博转发链路计算 | 第60-61页 |
5.2.4 微博被转发速度计算 | 第61-62页 |
5.2.5 算法FP-GROWTH爆炸点合理性分析 | 第62页 |
5.2.6 基于FP-GROWTH算法爆炸点分析思路 | 第62-63页 |
5.3 用户间频繁转发模式网络构建 | 第63-64页 |
5.4 实验结果与分析 | 第64-66页 |
5.5 本章小结 | 第66-67页 |
第六章 基于Spark的微博舆论监控系统 | 第67-74页 |
6.1 系统设计 | 第68-71页 |
6.1.1 系统概要设计 | 第68页 |
6.1.2 系统详细设计 | 第68-71页 |
6.2 系统实现与测试 | 第71-73页 |
6.3 本章总结 | 第73-74页 |
第七章 结论与展望 | 第74-76页 |
7.1 结论 | 第74页 |
7.2 展望 | 第74-76页 |
致谢 | 第76-77页 |
参考文献 | 第77-81页 |
攻读硕士学位期间取得的成果 | 第81页 |