| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状与分析 | 第11-13页 |
| 1.2.1 流行度预测的研究现状与分析 | 第11-12页 |
| 1.2.2 深度学习的研究现状与分析 | 第12-13页 |
| 1.3 课题的主要研究内容 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-16页 |
| 第2章 相关理论及技术 | 第16-20页 |
| 2.1 微博短文本特点及预处理 | 第16页 |
| 2.2 特征表示和特征选择 | 第16-17页 |
| 2.3 文本分类方法 | 第17-18页 |
| 2.4 分类效果评估指标 | 第18页 |
| 2.5 微博流行度的等级定义 | 第18-20页 |
| 第3章 基于多任务学习的微博流行度预测研究 | 第20-30页 |
| 3.1 基于SVM+MTL分类模型 | 第20-23页 |
| 3.1.1 SVM模型理论 | 第20-22页 |
| 3.1.2 SVM+MTL模型介绍 | 第22-23页 |
| 3.2 特征提取 | 第23-27页 |
| 3.2.1 Word Mover's Distance简介 | 第23-24页 |
| 3.2.2 内容相似性特征的提取 | 第24-25页 |
| 3.2.3 微博常规特征 | 第25-27页 |
| 3.3 实验及其结果分析 | 第27-29页 |
| 3.3.1 实验数据集 | 第27-28页 |
| 3.3.2 实验结果与分析 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 基于深度学习的微博流行度预测研究 | 第30-40页 |
| 4.1 深度神经网络模型 | 第30-33页 |
| 4.1.1 人工神经元模型 | 第30-31页 |
| 4.1.2 BP神经网络 | 第31-32页 |
| 4.1.3 深度神经网络 | 第32-33页 |
| 4.2 基于深度神经网络模型的流行度研究 | 第33-35页 |
| 4.3 实验及其结果分析 | 第35-38页 |
| 4.3.1 实验数据集 | 第35页 |
| 4.3.2 确定最优网络结构 | 第35-37页 |
| 4.3.3 实验结果对比与分析 | 第37-38页 |
| 4.4 本章小结 | 第38-40页 |
| 第5章 总结与展望 | 第40-42页 |
| 5.1 论文总结 | 第40-41页 |
| 5.2 工作展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46-47页 |