| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 相关技术 | 第13-16页 |
| 1.2.2 应用现状 | 第16-17页 |
| 1.3 本文主要工作 | 第17页 |
| 1.4 本文结构 | 第17-19页 |
| 第二章 网络爬虫技术与信息检索 | 第19-25页 |
| 2.1 网络爬虫与信息索引原理 | 第19-21页 |
| 2.1.1 网络爬虫 | 第19-20页 |
| 2.1.2 信息索引 | 第20-21页 |
| 2.2 数据库设计 | 第21-22页 |
| 2.3 信息搜集与检索系统实现 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 主题探测 | 第25-40页 |
| 3.1 信息模型基础理论 | 第25-34页 |
| 3.1.1 布尔逻辑模型(Boolean Retrieval Model) | 第25-26页 |
| 3.1.2 向量空间模型(Vector Space Model) | 第26-27页 |
| 3.1.3 潜在语义分析(Latent Semantic Analysis) | 第27-28页 |
| 3.1.4 概率潜在语义分析(Probability Latent Semantic Analysis) | 第28-30页 |
| 3.1.5 潜在狄利克雷分配(Latent Dirichlet Allocation) | 第30-34页 |
| 3.2 Topical Tf-idfTextRank算法 | 第34-37页 |
| 3.2.1 TextRank算法 | 第35-36页 |
| 3.2.2 Tf-idf算法 | 第36页 |
| 3.2.3 Topical Tf-idf TextRank算法 | 第36-37页 |
| 3.3 实验 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 情绪倾向性分析 | 第40-51页 |
| 4.1 深度学习简介 | 第41-43页 |
| 4.1.1 自编码器 | 第41-42页 |
| 4.1.2 深度信念网络模型 | 第42-43页 |
| 4.2 递归神经张量网络模型 | 第43-47页 |
| 4.2.1 回溯神经网络(RNN) | 第43-45页 |
| 4.2.2 递归神经张量网络模型 | 第45-47页 |
| 4.3 实验 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 信心指数预测 | 第51-64页 |
| 5.1 支持向量机回归 | 第51-53页 |
| 5.2 改进的支持向量机回归 | 第53-61页 |
| 5.2.1 基于数据域的不对称￡带模糊支持向量回归机 | 第53-56页 |
| 5.2.2 仿真 | 第56-61页 |
| 5.3 实验 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 第七章 参考文献 | 第66-72页 |
| 攻读硕士硕士学位期间发表或完成的论文 | 第72-73页 |
| 致谢 | 第73-74页 |
