| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 互联网与社交媒体 | 第10-11页 |
| 1.1.2 金融与社交媒体 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究意义 | 第13-14页 |
| 1.3.1 理论意义 | 第13页 |
| 1.3.2 实践意义 | 第13-14页 |
| 1.4 研究内容与论文组织结构 | 第14-15页 |
| 第二章 背景理论及相关技术介绍 | 第15-20页 |
| 2.1 微博分析相关技术 | 第15-17页 |
| 2.1.1 概述 | 第15-16页 |
| 2.1.2 情感分析 | 第16页 |
| 2.1.3 传播学分析 | 第16-17页 |
| 2.1.4 话题检测和跟踪 | 第17页 |
| 2.2 数据挖掘相关技术 | 第17-19页 |
| 2.2.1 概述 | 第17-18页 |
| 2.2.2 聚类算法 | 第18页 |
| 2.2.3 分类算法 | 第18页 |
| 2.2.4 关联规则算法 | 第18-19页 |
| 2.3 股票分析相关技术 | 第19页 |
| 2.4 本章总结 | 第19-20页 |
| 第三章 微博内容挖掘 | 第20-40页 |
| 3.1 微博内容分析 | 第20-22页 |
| 3.1.1 微博数据获取 | 第20-21页 |
| 3.1.2 微博数据存储 | 第21-22页 |
| 3.1.3 微博内容分析 | 第22页 |
| 3.2 情感分析 | 第22-36页 |
| 3.2.1 情感分析的实现 | 第22-23页 |
| 3.2.2 基于词典的情感分析 | 第23-27页 |
| 3.2.3 基于机器学习的情感分析 | 第27-29页 |
| 3.2.4 基于词典的多维情感分析 | 第29-36页 |
| 3.3 图论分析 | 第36-38页 |
| 3.3.1 图论分析基础概念 | 第36-37页 |
| 3.3.2 微博图论分析 | 第37-38页 |
| 3.4 本章总结 | 第38-40页 |
| 第四章 微博与金融实体关联分析 | 第40-57页 |
| 4.1 金融领域词典 | 第40-45页 |
| 4.1.1 领域词典概述 | 第40-41页 |
| 4.1.2 金融领域资源 | 第41-42页 |
| 4.1.3 种子词典的建立 | 第42-43页 |
| 4.1.4 领域词典的扩充 | 第43-44页 |
| 4.1.5 基于Map/Reduce的词典扩充实现 | 第44-45页 |
| 4.2 金融主题模型 | 第45-47页 |
| 4.2.1 金融主题模型的设计 | 第45-46页 |
| 4.2.2 金融主题模型的实现 | 第46-47页 |
| 4.3 金融命名实体识别 | 第47-50页 |
| 4.3.1 命名实体识别概述 | 第48页 |
| 4.3.2 金融命名实体识别 | 第48-49页 |
| 4.3.3 基于金融主题模型的关联算法 | 第49-50页 |
| 4.4 基于金融主题模型的关联算法在微博的应用 | 第50-52页 |
| 4.4.1 微博与金融命名实体的关联 | 第50-51页 |
| 4.4.2 热点事件与金融命名实体的关联 | 第51-52页 |
| 4.5 微博挖掘结果与金融时间序列的相关性分析 | 第52-56页 |
| 4.5.1 时间序列分析概述 | 第52-53页 |
| 4.5.2 格兰杰因果分析 | 第53-56页 |
| 4.6 本章总结 | 第56-57页 |
| 第五章 金融时间序列分析 | 第57-64页 |
| 5.1 金融时间序列分析 | 第57-62页 |
| 5.1.1 预测数据的准备 | 第58-59页 |
| 5.1.2 金融时间序列预测的结果与分析 | 第59-62页 |
| 5.2 基于预测的交易 | 第62-63页 |
| 5.4 本章总结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 研究工作总结 | 第64-65页 |
| 6.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学术论文 | 第71页 |