| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 前言 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 电影票房预测研究现状 | 第11-12页 |
| 1.2.2 基于社交网络预测研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 关键技术 | 第15-23页 |
| 2.1 网络爬虫技术概述 | 第15-17页 |
| 2.1.1 网络爬虫分类 | 第15-16页 |
| 2.1.2 Scrapy爬虫框架原理 | 第16-17页 |
| 2.2 情感特征提取方法综述 | 第17-21页 |
| 2.2.1 情感特征提取方法 | 第17-19页 |
| 2.2.2 CHI统计基本原理 | 第19-20页 |
| 2.2.3 主成分分析基本原理 | 第20-21页 |
| 2.3 主题分布模型原理 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 情感倾向特征提取方法 | 第23-30页 |
| 3.1 情感倾向特征提取方案 | 第23-25页 |
| 3.1.1 整体框架 | 第23-24页 |
| 3.1.2 数据预处理 | 第24-25页 |
| 3.1.3 实验流程 | 第25页 |
| 3.2 实验结果分析 | 第25-29页 |
| 3.2.1 评估方式 | 第26页 |
| 3.2.2 特征维数实验结果 | 第26-28页 |
| 3.2.3 CHI与CHI-PCA特征提取对比实验 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 热度主题分布特征提取方法 | 第30-37页 |
| 4.1 热度主题分布特征提取算法原理 | 第30-31页 |
| 4.2 实验整体流程 | 第31-33页 |
| 4.2.1 数据预处理 | 第31-32页 |
| 4.2.2 实验步骤 | 第32-33页 |
| 4.3 实验结果分析 | 第33-36页 |
| 4.3.1 评估方式 | 第33-34页 |
| 4.3.2 PLDA主题数对电影票房的影响 | 第34-35页 |
| 4.3.3 传统LDA模型与PLDA模型对比实验 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 基于社交网络数据的电影票房预测模型 | 第37-50页 |
| 5.1 整体框架 | 第37页 |
| 5.2 实验数据及预处理 | 第37-41页 |
| 5.2.1 基于Scrapy的爬虫设计 | 第38-39页 |
| 5.2.2 爬虫数据结果 | 第39-41页 |
| 5.2.3 数据预处理 | 第41页 |
| 5.3 特征构建 | 第41-44页 |
| 5.3.1 购买意图特征 | 第41-42页 |
| 5.3.2 演员热度特征 | 第42-43页 |
| 5.3.3 情感倾向特征 | 第43-44页 |
| 5.3.4 热度主题分布特征 | 第44页 |
| 5.4 特征整合 | 第44-45页 |
| 5.5 实验结果分析 | 第45-49页 |
| 5.5.1 不同特征组合对比实验 | 第45-47页 |
| 5.5.2 Baseline对比实验 | 第47-48页 |
| 5.5.3 2017年部分电影票房预测结果 | 第48-49页 |
| 5.6 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间发表的学术论文 | 第57页 |