| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的和意义 | 第9-10页 |
| 1.3 研究方法和结构安排 | 第10-15页 |
| 1.3.1 研究方法 | 第10-14页 |
| 1.3.2 技术路线图 | 第14-15页 |
| 1.4 本文的主要贡献 | 第15-16页 |
| 第2章 文献综述 | 第16-20页 |
| 2.1 电影票房预测模型的国内外文献综述 | 第16-18页 |
| 2.2 情感分析方法国内外文献综述 | 第18-20页 |
| 第3章 数据获取 | 第20-25页 |
| 3.1 数据背景 | 第20-22页 |
| 3.2 数据爬取和预处理 | 第22-25页 |
| 第4章 豆瓣电影评论情感特征提取及自变量选择 | 第25-37页 |
| 4.1 豆瓣评论情感特征向量提取 | 第25-33页 |
| 4.1.1 文本预处理 | 第25-27页 |
| 4.1.2 情感词典的构建 | 第27-31页 |
| 4.1.3 情感倾向分析 | 第31-33页 |
| 4.2 自变量的预处理 | 第33-37页 |
| 第5章 电影票房预测模型的分析和改进 | 第37-53页 |
| 5.1 多元线性回归模型 | 第37-40页 |
| 5.1.1 多元线性回归模型介绍 | 第37-38页 |
| 5.1.2 建模实践 | 第38-40页 |
| 5.2 支持向量机模型(SVM) | 第40-41页 |
| 5.2.1 支持向量机模型介绍 | 第40页 |
| 5.2.2 建模实践 | 第40-41页 |
| 5.3 BP神经网络模型 | 第41-44页 |
| 5.3.1 BP神经网络模型介绍 | 第41-43页 |
| 5.3.2 建模实践 | 第43-44页 |
| 5.4 Stacking电影票房预测模型 | 第44-47页 |
| 5.4.1 基于Stacking电影票房预测模型介绍 | 第44-46页 |
| 5.4.2 建模实践 | 第46-47页 |
| 5.5 模型比较 | 第47-52页 |
| 5.5.1 电影票房预测模型的比较 | 第48-49页 |
| 5.5.2 加入评论特征向量电影票房预测模型的比较 | 第49-52页 |
| 5.6 小结 | 第52-53页 |
| 第6章 结论和不足 | 第53-55页 |
| 6.1 结论 | 第53页 |
| 6.2 不足 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60-74页 |