| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 文献综述 | 第9-12页 |
| 1.2.1 国外文献综述 | 第9-11页 |
| 1.2.2 国内文献综述 | 第11-12页 |
| 1.3 论文创新与突破 | 第12页 |
| 1.4 研究方法与研究内容 | 第12-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 文本挖掘 | 第15-23页 |
| 2.1 文本挖掘简介 | 第15-18页 |
| 2.1.1 文本分类 | 第16页 |
| 2.1.2 文本聚类 | 第16页 |
| 2.1.3 信息提取 | 第16-17页 |
| 2.1.4 浏览的表示层和查询优化 | 第17-18页 |
| 2.1.5 关联分析 | 第18页 |
| 2.2 基于互联网平台的社交网络文本发掘 | 第18-20页 |
| 2.2.1 网络文本挖掘技术的研究现状 | 第19-20页 |
| 2.2.2 微博的开放平台 | 第20页 |
| 2.3 网络文本挖掘技术选择 | 第20-22页 |
| 2.3.1 网络爬虫 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 微博平台财经新闻文本分类研究 | 第23-32页 |
| 3.1 文本分类 | 第23-24页 |
| 3.1.1 文本分类的简介 | 第23页 |
| 3.1.2 文本信息提取与降维 | 第23-24页 |
| 3.1.3 TFIDF方法介绍 | 第24页 |
| 3.2 文本分类的方法 | 第24-27页 |
| 3.2.1 K近邻分类算法 | 第24-25页 |
| 3.2.2 朴素贝叶斯分类算法 | 第25-26页 |
| 3.2.3 支持向量机 | 第26-27页 |
| 3.3 支持向量机的选择与训练 | 第27-30页 |
| 3.3.1 基于知网的语义相似性计算 | 第27-28页 |
| 3.3.2 支持向量机算法 | 第28-29页 |
| 3.3.3 构建结构化向量 | 第29页 |
| 3.3.4 矩阵映射情绪空间 | 第29-30页 |
| 3.4 新闻文本分类 | 第30-31页 |
| 3.4.1 新闻文本分类过程 | 第30-31页 |
| 3.4.2 新闻文本类别 | 第31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 微博平台财经新闻对股票影响的研究方法 | 第32-36页 |
| 4.1 事件研究法 | 第32-35页 |
| 4.1.1 事件窗口 | 第32-33页 |
| 4.1.2 正常收益的计算 | 第33-34页 |
| 4.1.3 异常收益率的计算 | 第34-35页 |
| 4.2 微博财经信息事件研究法应用 | 第35页 |
| 4.3 本章小结 | 第35-36页 |
| 第五章 微博平台财经信息的发布对证券市场影响的实证分析 | 第36-47页 |
| 5.1 样本选择与处理 | 第36-38页 |
| 5.1.1 股票数据 | 第36页 |
| 5.1.2 微博平台财经信息样本 | 第36-37页 |
| 5.1.3 数据处理过程 | 第37-38页 |
| 5.2 不同类别微博财经信息效应的实证分析 | 第38-46页 |
| 5.2.1 总体数据分析 | 第38-42页 |
| 5.2.2 重组并购类微博财经信息对上市公司股票收益的影响分析 | 第42-44页 |
| 5.2.3 盈利能力类微博财经信息对上市公司股票收益的影响分析 | 第44-45页 |
| 5.2.4 运营管理类微博财经信息对上市公司股票收益的影响分析 | 第45-46页 |
| 5.3 本章小结 | 第46-47页 |
| 第六章 总结和展望 | 第47-50页 |
| 6.1 本文所做的工作 | 第47页 |
| 6.2 研究结论及解释 | 第47-48页 |
| 6.3 政策建议 | 第48-49页 |
| 6.4 下一步工作 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
