基于微博数据的网络舆情分析
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 文献综述 | 第10-11页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11页 |
| 1.3 本文研究内容及创新点 | 第11-13页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 创新点 | 第12-13页 |
| 第2章 微博数据的准备及预处理 | 第13-15页 |
| 2.1 微博数据的获取 | 第13页 |
| 2.2 微博数据的预处理 | 第13-15页 |
| 2.2.1 数据清洗 | 第13-14页 |
| 2.2.2 异常值与重复数据监测 | 第14页 |
| 2.2.3 数据转换与采样 | 第14-15页 |
| 第3章 微博舆情传播的描述统计分析 | 第15-23页 |
| 3.1 微博舆情的定义 | 第15页 |
| 3.2 话题微博的舆情传播过程分析 | 第15-17页 |
| 3.3 微博舆情传播变化的原因分析 | 第17-22页 |
| 3.3.1 转发量、评论数以及点赞数的相关性分析 | 第17-18页 |
| 3.3.2 舆情变化的原因分析 | 第18-22页 |
| 3.4 本章小结 | 第22-23页 |
| 第4章 舆情传播的时间序列模型 | 第23-32页 |
| 4.1 时间序列概述 | 第23-24页 |
| 4.1.1 时间序列的定义 | 第23页 |
| 4.1.2 主要分析方法 | 第23-24页 |
| 4.2 时间序列的预处理 | 第24-25页 |
| 4.2.1 平稳性检验 | 第24页 |
| 4.2.2 纯随机性检验 | 第24-25页 |
| 4.3 时间序列分析的主要模型 | 第25-26页 |
| 4.3.1 平稳时间序列模型 | 第25页 |
| 4.3.2 非平稳时间序列模型 | 第25-26页 |
| 4.4 舆情传播的时间序列案例分析 | 第26-31页 |
| 4.4.1 时间序列的预处理 | 第26-28页 |
| 4.4.2 建立模型 | 第28-31页 |
| 4.5 本章小结 | 第31-32页 |
| 第5章 舆情传播用户与情感分析 | 第32-42页 |
| 5.1 舆情传播用户的描述统计分析 | 第32-34页 |
| 5.1.1 用户转发方式 | 第32-33页 |
| 5.1.2 会员、认证用户的方差分析 | 第33-34页 |
| 5.2 微博用户类型的混合聚类分析 | 第34-38页 |
| 5.2.1 数据清洗 | 第35页 |
| 5.2.2 距离计算 | 第35页 |
| 5.2.3 聚类算法的选择 | 第35-36页 |
| 5.2.4 聚类个数的选择 | 第36页 |
| 5.2.5 聚类可视化 | 第36-38页 |
| 5.3 话题微博的情感分析 | 第38-41页 |
| 5.3.1 分词预处理 | 第38页 |
| 5.3.2 特征选择 | 第38-39页 |
| 5.3.3 文本分词 | 第39页 |
| 5.3.4 情感可视化 | 第39-41页 |
| 5.4 本章小结 | 第41-42页 |
| 研究结论和展望 | 第42-43页 |
| 参考文献 | 第43-45页 |
