首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化系统论文--监视、报警、故障诊断系统论文

基于Spark的微博舆论监控系统的设计与实现

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

论文共81页,点击 下载论文
上一篇:基于深度神经网络的多任务视觉感知研究与应用
下一篇:基于多模态的邮件标识方法及应用