网络新闻热点分布及其热度预测方法研究
摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-18页 |
1.1 研究背景及意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.2.1 网络爬虫技术 | 第12页 |
1.2.2 新闻和网评研究 | 第12-14页 |
1.2.3 用户网络行为分析 | 第14页 |
1.2.4 特征选择和集成学习 | 第14-15页 |
1.2.5 新闻热度预测 | 第15页 |
1.3 论文的研究内容 | 第15-16页 |
1.4 论文的组织结构 | 第16-18页 |
第二章 相关理论和技术 | 第18-29页 |
2.1 网络爬虫技术 | 第18-19页 |
2.1.1 网络爬虫概述 | 第18页 |
2.1.2 网络爬虫分类 | 第18-19页 |
2.2 网络用户行为分析 | 第19-20页 |
2.2.1 网络用户行为分析概述 | 第19-20页 |
2.2.2 网络用户行为分类 | 第20页 |
2.3 机器学习分类算法 | 第20-21页 |
2.3.1 机器学习概述 | 第20页 |
2.3.2 分类算法简介 | 第20-21页 |
2.4 特征选择算法 | 第21-24页 |
2.4.1 特征选择概述 | 第21-22页 |
2.4.2 特征选择常用方法 | 第22-24页 |
2.5 集成学习算法 | 第24-28页 |
2.5.1 集成学习的原理 | 第24-25页 |
2.5.2 集成学习的分类 | 第25-28页 |
2.6 本章小结 | 第28-29页 |
第三章 网络新闻及网评采集和分布特征分析 | 第29-44页 |
3.1 新闻及网评数据的采集 | 第29-35页 |
3.1.1 系统设计 | 第29-31页 |
3.1.2 数据采集流程 | 第31-33页 |
3.1.3 数据存储设计 | 第33-35页 |
3.2 新闻网评空间分布特征研究 | 第35-39页 |
3.2.1 实验设置 | 第35页 |
3.2.2 实验结果分析 | 第35-39页 |
3.3 新闻网评时间分布特征研究 | 第39-42页 |
3.3.1 实验设置 | 第39页 |
3.3.2 实验结果分析 | 第39-42页 |
3.4 本章小结 | 第42-44页 |
第四章 网络热点新闻及网评分布特征分析 | 第44-61页 |
4.1 热点新闻及网评周天分布特征研究 | 第44-52页 |
4.1.1 新闻及网评周天整体分布特征 | 第44-46页 |
4.1.2 热点新闻及网评周天分布特征 | 第46-52页 |
4.2 热点新闻及网评小时分布特征研究 | 第52-60页 |
4.2.1 新闻及网评小时分布特征 | 第53-55页 |
4.2.2 热点新闻及网评小时分布特征 | 第55-60页 |
4.3 本章小结 | 第60-61页 |
第五章 新闻热度预测方法研究 | 第61-79页 |
5.1 机器学习分类算法 | 第61-66页 |
5.1.1 K近邻算法 | 第61-63页 |
5.1.2 决策树算法 | 第63-65页 |
5.1.3 逻辑回归算法 | 第65-66页 |
5.2 基于SU和信息增益率的改进特征选择方法 | 第66-68页 |
5.3 基于平均法和加权投票法的集成算法 | 第68-70页 |
5.3.1 基于平均法的集成算法 | 第68-69页 |
5.3.2 基于投票法的集成算法 | 第69页 |
5.3.3 基于平均法和投票法的改进集成算法 | 第69-70页 |
5.4 基于特征选择和集成算法的改进分类算法 | 第70-71页 |
5.5 实验与评价 | 第71-78页 |
5.5.1 实验平台 | 第71-72页 |
5.5.2 数据集 | 第72页 |
5.5.3 实验结果评估指标 | 第72-73页 |
5.5.4 单分类器实验分析 | 第73-74页 |
5.5.5 改进特征选择方法实验分析 | 第74-75页 |
5.5.6 改进集成算法实验分析 | 第75-78页 |
5.5.7 基于特征选择和集成改进算法的实验分析 | 第78页 |
5.6 本章总结 | 第78-79页 |
第六章 总结和展望 | 第79-81页 |
6.1 工作总结 | 第79-80页 |
6.2 未来工作展望 | 第80-81页 |
致谢 | 第81-83页 |
参考文献 | 第83-88页 |
附录 | 第88-89页 |
详细摘要 | 第89-91页 |