| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 本文研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 用户影响力研究现状 | 第10-11页 |
| 1.2.2 情感分析的研究现状 | 第11-12页 |
| 1.2.3 股票领域中情感分析的研究现状 | 第12-13页 |
| 1.3 本文的主要内容 | 第13-14页 |
| 1.4 本文结构 | 第14-15页 |
| 第2章 相关理论与技术 | 第15-30页 |
| 2.1 PageRank模型 | 第15-16页 |
| 2.2 文本预处理 | 第16-18页 |
| 2.2.1 中文分词 | 第16-17页 |
| 2.2.2 词性标注 | 第17-18页 |
| 2.2.3 停用词处理 | 第18页 |
| 2.3 词向量模型 | 第18-23页 |
| 2.3.1 word2vec模型 | 第19-23页 |
| 2.4 神经网络模型 | 第23-26页 |
| 2.4.1 神经网络基本结构 | 第23-24页 |
| 2.4.2 LSTM网络 | 第24-26页 |
| 2.5 评估方法 | 第26-28页 |
| 2.5.1 系关系分析法 | 第26-27页 |
| 2.5.2 交叉验证 | 第27页 |
| 2.5.3 数据评估标准 | 第27-28页 |
| 2.5.4 斯皮尔曼等级相关系数 | 第28页 |
| 2.6 本章小结 | 第28-30页 |
| 第3章 情感分析模型对比 | 第30-41页 |
| 3.1 实验准备 | 第30-31页 |
| 3.1.1 数据集 | 第30页 |
| 3.1.2 实验设置 | 第30-31页 |
| 3.2 基准系统 | 第31-33页 |
| 3.2.1 实验结果及讨论 | 第32-33页 |
| 3.3 基于SVM的情感分类模型实验 | 第33-37页 |
| 3.3.1 SVM的简介 | 第33-35页 |
| 3.3.2 SVM模型特点 | 第35页 |
| 3.3.3 基于SVM情感分析模型 | 第35-36页 |
| 3.3.4 实验结果及讨论 | 第36-37页 |
| 3.4 基于LSTM的情感分类模型 | 第37-40页 |
| 3.4.1 LSTM的模型结构 | 第37-38页 |
| 3.4.2 LSTM的模型特点 | 第38-39页 |
| 3.4.3 基于LSTM的情感分类模型 | 第39页 |
| 3.4.4 实验结果 | 第39-40页 |
| 3.5 结论 | 第40-41页 |
| 第4章 基于情感分析的用户影响力模型 | 第41-54页 |
| 4.1 用户影响力模型的构建 | 第41-48页 |
| 4.1.1 用户的活跃度 | 第42页 |
| 4.1.2 用户互动的积极度 | 第42-43页 |
| 4.1.3 用户观点的准确度 | 第43-45页 |
| 4.1.4 User-Activity-Sentiment Rank算法构建 | 第45-48页 |
| 4.2 基于UASRank的用户影响力训练 | 第48-49页 |
| 4.3 数据集 | 第49页 |
| 4.4 数据处理 | 第49-50页 |
| 4.5 实验结果及验证 | 第50-52页 |
| 4.6 结论 | 第52-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 股票领域的用户影响力系统的设计与实现 | 第54-60页 |
| 5.1 系统开发环境及工具 | 第54页 |
| 5.2 系统架构及功能模块 | 第54-57页 |
| 5.2.1 数据爬虫和处理模块 | 第55页 |
| 5.2.2 数据分析模块 | 第55-56页 |
| 5.2.3 页面展示模块 | 第56-57页 |
| 5.3 系统的展示与实现 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |