| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 研究方法 | 第11-12页 |
| 1.3 研究方案 | 第12-14页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 论文结构 | 第12-13页 |
| 1.3.3 技术路线 | 第13-14页 |
| 1.4 研究创新 | 第14-16页 |
| 2 国内外相关研究综述 | 第16-22页 |
| 2.1 微博相关研究 | 第16-18页 |
| 2.1.1 微博的定义及发展历程 | 第16-17页 |
| 2.1.2 微博营销的概念及特点 | 第17-18页 |
| 2.1.3 微博转发影响因素研究 | 第18页 |
| 2.2 内容营销 | 第18-19页 |
| 2.3 转发趋势预测 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 微博内容的特征分析及模型构建 | 第22-31页 |
| 3.1 引言 | 第22页 |
| 3.2 研究视角的选取 | 第22-23页 |
| 3.3 5W传播模式 | 第23-24页 |
| 3.4 微博特征分析 | 第24-29页 |
| 3.4.1 内容特征 | 第24-27页 |
| 3.4.2 表现特征 | 第27页 |
| 3.4.3 时间特征 | 第27-29页 |
| 3.5 微博转发效果影响因素理论模型构建 | 第29页 |
| 3.6 本章小结 | 第29-31页 |
| 4 基于支持向量机的转发趋势预测模型 | 第31-44页 |
| 4.1 引言 | 第31页 |
| 4.2 研究问题定义 | 第31-32页 |
| 4.3 研究方法概述 | 第32页 |
| 4.4 特征选择 | 第32-35页 |
| 4.4.1 特征选择方法介绍 | 第32-33页 |
| 4.4.2 信息增益 | 第33-35页 |
| 4.5 预测算法比较 | 第35-36页 |
| 4.6 支持向量机算法介绍 | 第36-38页 |
| 4.6.1 算法简介 | 第36-37页 |
| 4.6.2 支持向量机算法基本原理 | 第37页 |
| 4.6.3 线性可分的支持向量机算法模型 | 第37-38页 |
| 4.7 基于支持向量机的预测模型构建 | 第38-42页 |
| 4.7.1 核函数 | 第38-39页 |
| 4.7.2 预测模型构建 | 第39-40页 |
| 4.7.3 特征向量构成 | 第40-41页 |
| 4.7.4 评价指标 | 第41-42页 |
| 4.8 本章小结 | 第42-44页 |
| 5 小米手机微博转发预测模型的实验分析 | 第44-56页 |
| 5.1 实验设计 | 第44-45页 |
| 5.2 微博数据收集 | 第45-47页 |
| 5.3 实验数据预处理 | 第47-49页 |
| 5.4 实验特征选择 | 第49页 |
| 5.5 预测转发实验 | 第49-52页 |
| 5.6 实验对比 | 第52-53页 |
| 5.7 实验结果分析 | 第53-56页 |
| 6 结论与研究展望 | 第56-58页 |
| 6.1 主要结论 | 第56-57页 |
| 6.2 研究展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录1：数据抓取部分代码 | 第63-68页 |
| 附录2：作者在读期间发表的学术论文及参加的科研项目 | 第68页 |