| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-16页 |
| 第二章 理论基础与相关技术 | 第16-22页 |
| 2.1 数据处理技术 | 第16-17页 |
| 2.1.1 网络爬虫 | 第16页 |
| 2.1.2 文本特征提取方法 | 第16-17页 |
| 2.2 机器学习方法 | 第17-20页 |
| 2.2.1 聚类分析 | 第17-19页 |
| 2.2.2 支持向量机 | 第19-20页 |
| 2.3 统计方法 | 第20-22页 |
| 第三章 基于词语热度的新闻短评特征提取方法 | 第22-34页 |
| 3.1 汉语新闻短评语言特点分析 | 第22-25页 |
| 3.1.1 结构特点与语言风格 | 第22-24页 |
| 3.1.2 词汇特点 | 第24-25页 |
| 3.2 新闻短评特征提取的难点与解决思路 | 第25-27页 |
| 3.2.1 现有特征提取方法的不足之处 | 第25-26页 |
| 3.2.2 解决思路概述 | 第26-27页 |
| 3.3 基于词语热度的文本特征评估函数 | 第27-30页 |
| 3.3.1 词语热度的定义及计算方法 | 第27-29页 |
| 3.3.2 文本特征评估函数 | 第29-30页 |
| 3.4 实验分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 财经类新闻短评的情感分析 | 第34-48页 |
| 4.1 问题背景分析 | 第34-35页 |
| 4.2 文本数据预处理 | 第35-37页 |
| 4.2.1 分词与数据清洗 | 第35-36页 |
| 4.2.2 文本向量的构建过程 | 第36-37页 |
| 4.3 基于聚类的情感词典扩充方法 | 第37-41页 |
| 4.3.1 总体方法概述 | 第37-38页 |
| 4.3.2 聚类体系的构建 | 第38-40页 |
| 4.3.3 情感词抽取过程 | 第40-41页 |
| 4.4 文本情感分析方法 | 第41-43页 |
| 4.4.1 解决思路概述 | 第41-42页 |
| 4.4.2 情感分析模型设计 | 第42-43页 |
| 4.5 实验分析 | 第43-47页 |
| 4.5.1 情感词典扩充 | 第43-45页 |
| 4.5.2 情感分析模型的实现 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 基于情感分析的股市风险预测 | 第48-64页 |
| 5.1 行为金融学相关知识 | 第48-49页 |
| 5.2 每日情感指数的计算方法 | 第49-50页 |
| 5.3 情感指数与股市表现的分析 | 第50-53页 |
| 5.3.1 相关性分析与Granger因果关系检验 | 第50-51页 |
| 5.3.2 实际案例分析 | 第51-53页 |
| 5.4 基于机器学习的风险预测模型的设计与实现 | 第53-60页 |
| 5.4.1 整体框架结构 | 第53-54页 |
| 5.4.2 特征变量和目标变量 | 第54-55页 |
| 5.4.3 预测模型的实现 | 第55-60页 |
| 5.5 本章小结 | 第60页 |
| 5.6 技术实现核心要点 | 第60-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 研究不足之处与未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文 | 第72页 |