| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.3 本文的主要工作 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 2 舆情预测模型的相关技术 | 第17-29页 |
| 2.1 人工神经网络 | 第17-18页 |
| 2.1.1 人工神经网络的基本原理 | 第17-18页 |
| 2.2 RBF神经网络模型 | 第18-21页 |
| 2.2.1 RBF神经网络的结构 | 第19-20页 |
| 2.2.2 RBF神经网络的学习算法 | 第20-21页 |
| 2.3 万有引力算法 | 第21-27页 |
| 2.3.1 万有引力算法的原理 | 第21-22页 |
| 2.3.2 GSA的特点 | 第22页 |
| 2.3.3 GSA的组成 | 第22-24页 |
| 2.3.4 万有引力算法的优化（Improved Gravitational Search Algorithm,IGSA） | 第24-25页 |
| 2.3.5 万有引力算法的步骤 | 第25-27页 |
| 2.4 K均值聚类中心选择法（K-means算法） | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 微博网络舆情数据的获取及处理 | 第29-40页 |
| 3.1 微博 | 第29-31页 |
| 3.1.1 新浪微博简介 | 第29-30页 |
| 3.1.2 微博网络舆情的特点 | 第30-31页 |
| 3.2 微博文本的获取与处理 | 第31-39页 |
| 3.2.1 微博API数据获取 | 第31-33页 |
| 3.2.2 网络爬虫获取数据 | 第33-34页 |
| 3.2.3 微博文本的存储 | 第34-35页 |
| 3.2.4 微博文本的预处理 | 第35-36页 |
| 3.2.5 文本分词 | 第36-37页 |
| 3.2.6 文档的表示 | 第37-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 构建RBF神经网络舆情预测模型 | 第40-55页 |
| 4.1 微博趋势预测原理 | 第40-42页 |
| 4.1.1 引言 | 第40-41页 |
| 4.1.2 影响因素选取 | 第41-42页 |
| 4.2 微博网络舆情预测模型 | 第42-44页 |
| 4.2.1 采用引力搜索算法优化网络参数 | 第42页 |
| 4.2.2 采用改进引力搜索算法优化网络参数 | 第42页 |
| 4.2.3 现预测模型的步骤 | 第42-44页 |
| 4.3 实验结果及分析 | 第44-55页 |
| 4.3.1 实验数据 | 第44-48页 |
| 4.3.2 舆情预测模型 | 第48-54页 |
| 4.3.3 实验总结 | 第54-55页 |
| 5 结论 | 第55-56页 |
| 5.1 结论 | 第55页 |
| 5.2 下一步研究目标 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间的研究成果 | 第60页 |