首页--艺术论文--电影、电视艺术论文--电影、电视企业组织与管理论文--流通和放映论文

基于Stacking方法的电影票房预测

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

论文共74页,点击 下载论文
上一篇:基于LSTM模型分析的酒店智能推荐系统研究
下一篇:蓉欧快铁的发展及其对波兰—中国贸易的影响