基于消费意图和情感分析的票房预测建模
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-18页 |
| 1.2.1 票房预测研究现状 | 第12-15页 |
| 1.2.2 消费意图研究现状 | 第15-16页 |
| 1.2.3 情感分析研究现状 | 第16-18页 |
| 1.3 本文工作 | 第18-19页 |
| 1.4 本文结构 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 2 相关概念及技术 | 第21-33页 |
| 2.1 微博相关概述 | 第21-22页 |
| 2.1.1 微博的定义及发展 | 第21页 |
| 2.1.2 微博文本中的符号 | 第21-22页 |
| 2.1.3 中文微博研究中的难点 | 第22页 |
| 2.2 文本预处理 | 第22-27页 |
| 2.2.1 中文分词 | 第22-26页 |
| 2.2.2 去掉停用词 | 第26-27页 |
| 2.3 特征选择 | 第27-29页 |
| 2.3.1 词频法 | 第27-28页 |
| 2.3.2 文档频率法 | 第28页 |
| 2.3.3 互信息法 | 第28-29页 |
| 2.3.4 信息增益法 | 第29页 |
| 2.3.5 CHI统计 | 第29页 |
| 2.4 情感分类方法 | 第29-32页 |
| 2.4.1 基于词典和规则相结合的方法 | 第30页 |
| 2.4.2 基于机器学习的方法 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于SVM的微博消费意图分类 | 第33-36页 |
| 3.1 引入微博消费意图的原因 | 第33-34页 |
| 3.2 消费意图语料的获取与标注 | 第34页 |
| 3.3 基于SVM的消费意图挖掘 | 第34-35页 |
| 3.3.1 问题描述 | 第34-35页 |
| 3.3.2 微博消费意图分类 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 微博情感词典构建和情感极性分类 | 第36-46页 |
| 4.1 情感词典相关介绍 | 第36-38页 |
| 4.1.1 情感术语说明 | 第36页 |
| 4.1.2 情感词典的重要性 | 第36-37页 |
| 4.1.3 微博情感词典的构成 | 第37-38页 |
| 4.2 情感词典的构建 | 第38-44页 |
| 4.2.1 基础情感词典 | 第38页 |
| 4.2.2 网络用语情感词典 | 第38-39页 |
| 4.2.3 表情符号情感词典 | 第39-40页 |
| 4.2.4 否定词词典 | 第40-41页 |
| 4.2.5 领域情感词典 | 第41-44页 |
| 4.3 基于SVM的中文微博情感极性分类 | 第44-45页 |
| 4.3.1 文本表示模型 | 第44页 |
| 4.3.2 基于SVM的中文微博情感极性分类 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 基于消费意图和情感分析的票房预测 | 第46-55页 |
| 5.1 问题引出 | 第46-49页 |
| 5.1.1 前向建模法 | 第46-47页 |
| 5.1.2 研究假设 | 第47-49页 |
| 5.2 预测模型 | 第49页 |
| 5.2.1 基于线性回归的票房预测模型 | 第49页 |
| 5.2.2 基于SVR的票房预测模型 | 第49页 |
| 5.3 实验结果与分析 | 第49-54页 |
| 5.3.1 数据准备 | 第49-50页 |
| 5.3.2 评价指标 | 第50-51页 |
| 5.3.3 实验设计 | 第51页 |
| 5.3.4 结果分析 | 第51-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 全文总结 | 第55页 |
| 6.2 进一步的研究方向 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 1 | 第61页 |
