基于文本挖掘的股市舆情分析方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和选题意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 投资者情绪对股市影响研究 | 第11-12页 |
| 1.2.2 网络信息获取研究 | 第12-13页 |
| 1.2.3 文本情感分析分类方法研究 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文组织结构及内容安排 | 第15-16页 |
| 第2章 文本挖掘相关理论 | 第16-28页 |
| 2.1 股市文本数据获取 | 第16-21页 |
| 2.1.1 股市文本数据分类 | 第16-17页 |
| 2.1.2 股市文本数据获取技术 | 第17-21页 |
| 2.2 中文分词 | 第21-22页 |
| 2.3 TF-IDF特征选择 | 第22-23页 |
| 2.4 文本情感分类方法 | 第23-27页 |
| 2.4.1 基于机器学习情感分析方法 | 第24-25页 |
| 2.4.2 基于知识的情感分析方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于改进LDA的数据预处理模型 | 第28-42页 |
| 3.1 股评数据获取与清洗 | 第28-31页 |
| 3.1.1 股评数据获取实验 | 第28-29页 |
| 3.1.2 股评数据清洗与存储 | 第29-31页 |
| 3.2 基于LDA的数据预处理模型 | 第31-41页 |
| 3.2.1 LDA文本分类思想 | 第32-34页 |
| 3.2.2 基于改进LDA的数据预处理模型 | 第34-37页 |
| 3.2.3 基于N-GRAM算法构造分词词典 | 第37-39页 |
| 3.2.4 股评数据过滤 | 第39-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 基于移动平均模型的情感指数构建方法 | 第42-56页 |
| 4.1 股评数据特征提取 | 第42-47页 |
| 4.1.1 基于word2vec的情感词典扩充 | 第42-46页 |
| 4.1.2 股票领域词典生成 | 第46页 |
| 4.1.3 特征选择 | 第46-47页 |
| 4.2 朴素贝叶斯情感分析方法 | 第47-49页 |
| 4.2.1 算法基本思想 | 第47-48页 |
| 4.2.2 朴素贝叶斯情感分类过程 | 第48-49页 |
| 4.2.3 朴素贝叶斯分类结果 | 第49页 |
| 4.3 基于移动平均模型的情感指数构建 | 第49-54页 |
| 4.3.1 移动平均模型思想 | 第49-52页 |
| 4.3.2 情感指数与股票走势相关性分析 | 第52-54页 |
| 4.4 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |
