| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 引言 | 第15-20页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 基于统计的情感计算方法 | 第16页 |
| 1.2.2 基于模型的情感计算方法 | 第16-18页 |
| 1.2.3 现有研究存在的不足 | 第18页 |
| 1.3 本文研究内容 | 第18-20页 |
| 第二章 相关理论与方法基础 | 第20-29页 |
| 2.1 金融大数据分析框架 | 第20-21页 |
| 2.2 R语言与SparkR大数据分析平台 | 第21-23页 |
| 2.2.1 RDD | 第21-22页 |
| 2.2.2 Spark运行架构 | 第22-23页 |
| 2.3 文本情感分析技术及其相关理论 | 第23-24页 |
| 2.3.1 文本情感分析的含义 | 第23页 |
| 2.3.2 文本情感分析的分类 | 第23-24页 |
| 2.3.3 情感分析的主要技术 | 第24页 |
| 2.3.4 情感分析的应用 | 第24页 |
| 2.4 文本挖掘技术及其相关理论 | 第24-28页 |
| 2.4.1 文本挖掘过程介绍 | 第24-26页 |
| 2.4.2 空间向量模型 | 第26页 |
| 2.4.3 用的文本挖掘机器学习算法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 网络金融信息情感分析方法及与市场关联关系实证分析模型建立 | 第29-35页 |
| 3.1 网络信息情感计算方法 | 第29-32页 |
| 3.2 网络金融信息情感与市场关联关系实证模型建立 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 SparkR环境下网络金融信息抓取和挖掘算法实现 | 第35-45页 |
| 4.1 分布式爬虫 | 第35-36页 |
| 4.2 数据预处理算法 | 第36-37页 |
| 4.2.1 文本数据预处理算法 | 第36-37页 |
| 4.3 K-means聚类算法在SparkR上的分布式实现 | 第37-39页 |
| 4.3.1 K-means聚类算法简介 | 第37页 |
| 4.3.2 K-means算法的分布式实现 | 第37-39页 |
| 4.4 基于AdaBoosting技术的特征抽取算法及其SparkR实现 | 第39-40页 |
| 4.4.1 AdaBoosting技术 | 第39页 |
| 4.4.2 基于AdaBoost ing技术的特征选择算法 | 第39-40页 |
| 4.4.3 基于AdaBoosting技术的特征选择算法的SparkR实现 | 第40页 |
| 4.5 CART算法和随机森林算法在SparkR上的分布式实现 | 第40-43页 |
| 4.5.1 CART算法及随机森林算法简介 | 第41-42页 |
| 4.5.2 CART树的SparkR分布式生成算法 | 第42-43页 |
| 4.5.3 随机森林算法的分布式实现 | 第43页 |
| 4.6 K最近邻算法在SparkR上的分布式实现 | 第43-44页 |
| 4.6.1 K最近邻算法简介 | 第43页 |
| 4.6.2 K最近邻算法SparkR实现 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第五章 实验及结果分析 | 第45-56页 |
| 5.1 情感模型对比及分析 | 第45-51页 |
| 5.1.1 第一组实验及结果分析 | 第45-46页 |
| 5.1.2 第二组实验及结果分析 | 第46-47页 |
| 5.1.3 第三组实验及结果分析 | 第47-48页 |
| 5.1.4 第四组实验及结果分析 | 第48-49页 |
| 5.1.5 第五组实验及结果分析 | 第49-51页 |
| 5.2 SparkR平台性能及伸缩性验证 | 第51-52页 |
| 5.2.1 SparkR平台性能验证 | 第51-52页 |
| 5.2.2 SparkR平台伸缩性验证 | 第52页 |
| 5.3 特征选择方法对比 | 第52-54页 |
| 5.3.1 基于词频的特征选择方法 | 第52页 |
| 5.3.2 对比试验 | 第52-54页 |
| 5.4 分类算法对比 | 第54页 |
| 5.5 本章小结 | 第54-56页 |
| 第六章 总结和展望 | 第56-58页 |
| 6.1 研究总结 | 第56页 |
| 6.2 研究局限与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
