| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景 | 第11-13页 |
| 1.1.1 P2P平台概况 | 第11-12页 |
| 1.1.2 P2P问题平台剧增 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 传统金融风险评估方法现状 | 第13-14页 |
| 1.2.2 P2P平台风险评估现状 | 第14-15页 |
| 1.2.3 现阶段问题 | 第15页 |
| 1.3 本文研究内容与思路 | 第15-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 相关技术综述 | 第18-28页 |
| 2.1 舆情分析技术 | 第18-22页 |
| 2.1.1 文本表示技术 | 第18-20页 |
| 2.1.2 分词技术 | 第20-21页 |
| 2.1.3 Word2Vec | 第21-22页 |
| 2.1.4 Doc2Vec | 第22页 |
| 2.2 LDA主题生成模型 | 第22-23页 |
| 2.3 分类算法 | 第23-27页 |
| 2.3.1 BP神经网络模型 | 第23-24页 |
| 2.3.2 Logistic Regression模型 | 第24页 |
| 2.3.3 随机森林模型 | 第24-25页 |
| 2.3.4 支持向量机模型 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 P2P平台相关舆情分析 | 第28-36页 |
| 3.1 舆情分析流程 | 第28-29页 |
| 3.2 舆情的预处理 | 第29-30页 |
| 3.3 分词过程 | 第30-31页 |
| 3.4 生成舆情特征向量 | 第31-34页 |
| 3.4.1 舆情特征向量生成模型 | 第31-32页 |
| 3.4.2 参数训练 | 第32-34页 |
| 3.5 舆情分析的有效性证明 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 P2P平台文本处理 | 第36-44页 |
| 4.1 文本处理流程 | 第36-38页 |
| 4.2 平台文本的预处理 | 第38-39页 |
| 4.3 生成文本主题分布 | 第39-41页 |
| 4.3.1 文本主题模型流程 | 第39-40页 |
| 4.3.2 文本主题参数训练 | 第40-41页 |
| 4.4 文本信息的有效性证明 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 P2P平台风险评估模型 | 第44-55页 |
| 5.1 问题定义 | 第44-45页 |
| 5.2 平台指标的计算方法 | 第45-49页 |
| 5.2.1 平台指标计算原则 | 第45-46页 |
| 5.2.2 平台指标计算规则 | 第46-49页 |
| 5.3 模型描述 | 第49-53页 |
| 5.3.1 利用半监督学习进行平台风险评估的优越性 | 第49-50页 |
| 5.3.2 P2P平台风险评估过程 | 第50-53页 |
| 5.4 模型训练 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 实验与分析 | 第55-65页 |
| 6.1 数据集及预处理 | 第55-56页 |
| 6.2 实验设计 | 第56-58页 |
| 6.2.1 数据集划分 | 第56-57页 |
| 6.2.2 评价标准 | 第57-58页 |
| 6.2.3 参数训练 | 第58页 |
| 6.3 实验结果与分析 | 第58-62页 |
| 6.3.1 参数kd的分析 | 第58-59页 |
| 6.3.2 参数kl的分析 | 第59-60页 |
| 6.3.3 参数λd和λl的分析 | 第60-62页 |
| 6.4 对比实验 | 第62-64页 |
| 6.5 本章小结 | 第64-65页 |
| 第7章 总结与展望 | 第65-67页 |
| 7.1 本文总结 | 第65-66页 |
| 7.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |