基于微博数据的电影票房预测研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 电影票房预测的研究背景和意义 | 第8-10页 |
| 1.1.1 电影市场发展迅速 | 第8页 |
| 1.1.2 电影票房预测的商业价值 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 早期预测 | 第10-11页 |
| 1.2.2 实时预测 | 第11-12页 |
| 1.3 论文主要内容和章节安排 | 第12-13页 |
| 2 微博数据处理 | 第13-20页 |
| 2.1 引言 | 第13页 |
| 2.2 微博的进化历程 | 第13-14页 |
| 2.3 微博特征分析 | 第14-16页 |
| 2.4 微博数据的爬取 | 第16-17页 |
| 2.5 微博数据的清洗 | 第17-19页 |
| 2.6 小结 | 第19-20页 |
| 3 基于微博多特征融合的电影票房预测模型 | 第20-31页 |
| 3.1 引言 | 第20页 |
| 3.2 微博数据的特征提取 | 第20-28页 |
| 3.2.1 微博数据的数量特征 | 第20-21页 |
| 3.2.2 微博数据的情感特征 | 第21-25页 |
| 3.2.3 微博数的宣传特征 | 第25-28页 |
| 3.3 基于多特征的输入模型 | 第28-29页 |
| 3.4 小结 | 第29-31页 |
| 4 现有预测模型分析和改进 | 第31-46页 |
| 4.1 引言 | 第31-32页 |
| 4.2 多元线性回归模型 | 第32-35页 |
| 4.2.1 模型的推导 | 第33-34页 |
| 4.2.2 最小二乘估计 | 第34-35页 |
| 4.3 支持向量机模型 | 第35-38页 |
| 4.3.1 最优分类超平面 | 第35-36页 |
| 4.3.2 支持向量回归机 | 第36-37页 |
| 4.3.3 非线性回归问题 | 第37-38页 |
| 4.4 BP神经网络模型 | 第38-43页 |
| 4.4.1 BP神经网络 | 第38页 |
| 4.4.2 BP神经元和BP网络模型 | 第38-40页 |
| 4.4.3 BP网络的学习 | 第40-42页 |
| 4.4.4 BP网络的局限性 | 第42-43页 |
| 4.5 改进的BP神经网络模型 | 第43-45页 |
| 4.6 小结 | 第45-46页 |
| 5 实验结果及分析 | 第46-58页 |
| 5.1 引言 | 第46页 |
| 5.2 数据的初始化 | 第46-49页 |
| 5.3 微博特征分量与票房相关性分析 | 第49-50页 |
| 5.4 基于数量和情感强度的预测方法分析 | 第50-53页 |
| 5.4.1 基于情感强度和基于传统关键字方法对比 | 第50-52页 |
| 5.4.2 基于数量和情感方法的预测准确度对比 | 第52-53页 |
| 5.5 不同预测模型准确度分析 | 第53-54页 |
| 5.6 与现有预测模型对比分析 | 第54-55页 |
| 5.7 改进的BP神经网络模型预测准确度分析 | 第55-57页 |
| 5.8 小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 论文总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 A. 作者在攻读学位期间发表的论文目录 | 第64页 |
