| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-19页 |
| 1.1 研究背景与研究意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 网络舆情研究现状 | 第12-13页 |
| 1.2.2 疫病监控研究现状 | 第13-16页 |
| 1.2.3 文献综述小结 | 第16-17页 |
| 1.3 研究思路与方法 | 第17-18页 |
| 1.3.1 研究思路 | 第17页 |
| 1.3.2 研究方法 | 第17-18页 |
| 1.4 研究结构与内容 | 第18-19页 |
| 第2章 社交网络及其对疫病监测的作用 | 第19-30页 |
| 2.1 疫病监控系统及其在互联网时代的发展 | 第19-22页 |
| 2.1.1 常见监控系统 | 第19-20页 |
| 2.1.2 国家电子疫病监控系统 | 第20-21页 |
| 2.1.3 疫病监控系统在互联网时代的发展 | 第21-22页 |
| 2.2 社交网络及其主要功能 | 第22-27页 |
| 2.2.1. 博客 | 第24页 |
| 2.2.2. 维基百科 | 第24-25页 |
| 2.2.3. 微博 | 第25-26页 |
| 2.2.4. 社交网络的舆情监控功能 | 第26-27页 |
| 2.3 社交网络与疫病监控的结合以及个人隐私数据的挖掘 | 第27-30页 |
| 2.3.1. 社交网络与疫病监控的结合 | 第27页 |
| 2.3.2. 社交网络对个人隐私数据的挖掘问题 | 第27-30页 |
| 第3章 微博舆情数据采样方法设计及其支持向量回归分析 | 第30-40页 |
| 3.1 微博舆情数据采集方案设计 | 第30-36页 |
| 3.1.1 微博文本语句结构的分析 | 第30-33页 |
| 3.1.2 微博舆情文本数据的采集与整合 | 第33-34页 |
| 3.1.3 微博舆情数据干扰信息的排除 | 第34-36页 |
| 3.2 微博舆情数据分析方案设计 | 第36-40页 |
| 3.2.1 支持向量机的概念 | 第36-37页 |
| 3.2.2 支持向量回归的设计 | 第37-40页 |
| 第4章 微博舆情数据在疫病监控中的实际应用 | 第40-52页 |
| 4.1 基于微博舆情的H7N9数据挖掘采集 | 第40-42页 |
| 4.1.1 甲型H7N9流感的概念 | 第40-41页 |
| 4.1.2 H7N9相关微博舆情数据的采集 | 第41-42页 |
| 4.2 基于微博舆情数据的H7N9病例数据动态评估 | 第42-45页 |
| 4.2.1 ILI数据的概念 | 第43页 |
| 4.2.2 预测ILI与实际ILI比对 | 第43-45页 |
| 4.3 基于微博舆情数据的H7N9传播趋势相关因素探讨 | 第45-52页 |
| 4.3.1 流感传播趋势的定义 | 第45-46页 |
| 4.3.2 疫区人口出行数据分析 | 第46-49页 |
| 4.3.3 流感传播趋势相关因素分析 | 第49-52页 |
| 第5章 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 攻读期间发表的论文 | 第60页 |
