| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外相关领域的研究现状 | 第10-11页 |
| 1.3 本文研究的内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-15页 |
| 第2章 面向房产领域主观态度的主题信息提取 | 第15-21页 |
| 2.1 主题集合确定 | 第15-16页 |
| 2.2 主题集合筛选算法 | 第16-19页 |
| 2.3 本章小结 | 第19-21页 |
| 第3章 基于房产领域相关主题的微博文本分词方法 | 第21-33页 |
| 3.1 词汇与房产领域各主题相关度 | 第21-24页 |
| 3.1.1 词汇与主题相关度 | 第21-22页 |
| 3.1.2 多主题间相关度合并计算 | 第22-24页 |
| 3.2 边界熵模型算法改进 | 第24-28页 |
| 3.2.1 基于相关度改进的边界熵算法 | 第24-25页 |
| 3.2.2 改进结果与分析 | 第25-28页 |
| 3.3 条件随机场的引入与融合 | 第28-31页 |
| 3.3.1 基于相关度改进的条件随机场模型 | 第28-29页 |
| 3.3.2 边界熵与条件随机场的模型融合 | 第29-30页 |
| 3.3.3 实验结果与分析 | 第30-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于房产领域的主题建模算法 | 第33-45页 |
| 4.1 最大熵预处理层 | 第33-35页 |
| 4.1.1 问题抽象化 | 第33-34页 |
| 4.1.2 预处理层算法描述 | 第34-35页 |
| 4.1.3 最大熵约束条件 | 第35页 |
| 4.2 相似矩阵计算 | 第35-37页 |
| 4.3 MEPLSA模型训练 | 第37-38页 |
| 4.4 实验结果及测试 | 第38-43页 |
| 4.4.1 相关参数的设定实验 | 第39-41页 |
| 4.4.2 算法改进验证 | 第41-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第5章 基于微博内容的房价趋势预测系统设计与实现 | 第45-62页 |
| 5.1 基于微博内容的房价趋势预测算法设计 | 第45-48页 |
| 5.1.1 基础理论选择 | 第45页 |
| 5.1.2 参数调整 | 第45-46页 |
| 5.1.3 基于微博内容的房价趋势预测算法相关参数设定实验与测试 | 第46-48页 |
| 5.2 系统结构设计 | 第48-54页 |
| 5.2.0 系统需求分析 | 第48页 |
| 5.2.1 系统用例分析 | 第48-50页 |
| 5.2.2 整体框架设计 | 第50-51页 |
| 5.2.3 功能模块分析与设计 | 第51-52页 |
| 5.2.4 类的设计 | 第52-54页 |
| 5.3 系统实现及测试 | 第54-60页 |
| 5.3.1 系统软硬件环境 | 第54-55页 |
| 5.3.2 系统功能测试及效果 | 第55-58页 |
| 5.3.3 与其他房价预测系统的对比测试 | 第58-60页 |
| 5.4 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间所发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |