微博数据的可视分析
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 社交媒体数据可视分析的研究现状 | 第10-13页 |
| 1.3 论文的工作与贡献 | 第13页 |
| 1.4 论文结构简介 | 第13-15页 |
| 第2章 可视分析 | 第15-24页 |
| 2.1 可视分析简介 | 第15-16页 |
| 2.2 可视分析的基本流程 | 第16-17页 |
| 2.3 可视数据挖掘 | 第17-20页 |
| 2.4 可视化与交互 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 Twitter数据的获取与分类 | 第24-34页 |
| 3.1 Twitter数据获取 | 第24-25页 |
| 3.2 空间向量模型 | 第25-28页 |
| 3.2.1 Tweet文本预处理 | 第26-27页 |
| 3.2.2 文本的特征项提取 | 第27-28页 |
| 3.2.3 特征项的权值计算 | 第28页 |
| 3.3 支持向量机理论 | 第28-31页 |
| 3.3.1 线性可分支持向量机与硬间隔最大化 | 第29页 |
| 3.3.2 线性支持向量机与软间隔最大化 | 第29-31页 |
| 3.3.3 非线性支持向量机与核函数 | 第31页 |
| 3.4 利用LIBSVM实现Tweets文本分类 | 第31-33页 |
| 3.4.1 准备数据 | 第31-32页 |
| 3.4.2 训练及测试模型 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 可视化及交互实现 | 第34-48页 |
| 4.1 Twitter数据的可视化 | 第34-41页 |
| 4.1.1 地理信息 | 第34-38页 |
| 4.1.2 文本内容 | 第38-39页 |
| 4.1.3 统计数据 | 第39-41页 |
| 4.2 交互功能 | 第41-44页 |
| 4.2.1 加载过滤器 | 第41-42页 |
| 4.2.2 地图标注 | 第42页 |
| 4.2.3 信息摘选 | 第42-43页 |
| 4.2.4 交互式图表 | 第43-44页 |
| 4.3 图像放大 | 第44-47页 |
| 4.3.1 EVM技术 | 第44-46页 |
| 4.3.2 基于EVM的图像颜色变化放大 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 实验结果分析 | 第48-52页 |
| 5.1 Twitter分类结果 | 第48-49页 |
| 5.2 可视化与分析 | 第49-52页 |
| 第6章 总结与展望 | 第52-53页 |
| 6.1 全文总结 | 第52页 |
| 6.2 今后工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-59页 |
| 论文摘要 | 第59-61页 |
