| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 目的与意义 | 第12页 |
| 1.3 本文的主要工作及创新点 | 第12-13页 |
| 1.3.1 本文的主要工作 | 第12-13页 |
| 1.3.2 论文的创新点 | 第13页 |
| 1.4 论文的组织 | 第13-15页 |
| 第二章 研究现状及相关知识 | 第15-22页 |
| 2.1 国内外研究现状 | 第15-16页 |
| 2.1.1 情感倾向性分析研究现状 | 第15页 |
| 2.1.2 网络舆情垃圾评论识别研究现状 | 第15-16页 |
| 2.1.3 网络舆情情感趋势预测研究现状 | 第16页 |
| 2.2 新浪微博民航事件网民评论的获取 | 第16-17页 |
| 2.3 相关技术简介 | 第17-21页 |
| 2.3.1 支持向量机简介 | 第17-18页 |
| 2.3.2 BP神经网络模型 | 第18-19页 |
| 2.3.3 Elman神经网络模型 | 第19-20页 |
| 2.3.4 相关向量机简介 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 问题分析及评论的获取 | 第22-27页 |
| 3.1 问题的提出 | 第22-23页 |
| 3.1.1 垃圾评论识别问题的提出 | 第22页 |
| 3.1.2 舆情情感趋势预测问题的提出 | 第22-23页 |
| 3.2 解决方案和流程 | 第23-24页 |
| 3.3 评论的获取 | 第24-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 民航事件网络舆情垃圾评论识别 | 第27-37页 |
| 4.1 民航事件网络舆情垃圾评论的特征指标 | 第27-28页 |
| 4.2 民航事件网络舆情垃圾评论识别模型 | 第28-31页 |
| 4.2.1 网络舆情垃圾评论识别方法和流程 | 第28-29页 |
| 4.2.2 评论的特征选择算法信息增益的计算 | 第29页 |
| 4.2.3 基于PSO-SVM的网络舆情垃圾评论识别算法设计 | 第29-31页 |
| 4.3 实验及结果分析 | 第31-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 民航事件网络舆情情感趋势预测 | 第37-53页 |
| 5.1 网络舆情事件情感值的确定 | 第37-40页 |
| 5.1.1 短语模式情感倾向值的确定 | 第37-38页 |
| 5.1.2 民航事件网络舆情信息情感值的确定 | 第38-40页 |
| 5.2 基于民航事件评论的情感值时间序列预测原理 | 第40-41页 |
| 5.3 基于民航事件舆情情感趋势的BP神经网络预测 | 第41-43页 |
| 5.4 基于民航事件舆情情感趋势预测的Elman神经网络预测 | 第43-45页 |
| 5.5 基于民航事件舆情趋势分析的相关向量机回归预测 | 第45-48页 |
| 5.5.1 基于民航事件舆情趋势分析的相关向量机回归预测算法简介 | 第45-48页 |
| 5.5.2 基于民航事件舆情趋势分析的RVM回归预测模型 | 第48页 |
| 5.6 实验及结果分析 | 第48-52页 |
| 5.6.1 民航事件网络舆情趋势预测实验过程 | 第48-49页 |
| 5.6.2 实验数据及结果 | 第49-52页 |
| 5.6.3 结果分析 | 第52页 |
| 5.7 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 研究工作总结 | 第53页 |
| 6.2 未来展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 作者简介 | 第62页 |
