基于深度学习卷积神经网络的电影票房预测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第9-13页 |
| 1.1 电影票房预测的研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 文献综述 | 第10-12页 |
| 1.2.1 国外文献综述 | 第10-11页 |
| 1.2.2 国内文献综述 | 第11-12页 |
| 1.3 研究方法 | 第12页 |
| 1.4 论文结构 | 第12-13页 |
| 第2章 电影票房分析及影响因素 | 第13-17页 |
| 2.1 电影票房 | 第13页 |
| 2.2 影响因素的选择 | 第13-14页 |
| 2.3 数据预处理 | 第14-16页 |
| 2.4 本章小结 | 第16-17页 |
| 第3章 电影票房预测模型基本理论 | 第17-26页 |
| 3.1 多元线性回归模型 | 第17-18页 |
| 3.2 传统神经网络模型 | 第18-21页 |
| 3.2.1 神经网络基本结构 | 第18-19页 |
| 3.2.2 误差逆向传播算法 | 第19-20页 |
| 3.2.3 BP神经网络 | 第20-21页 |
| 3.3 卷积神经网络模型 | 第21-25页 |
| 3.3.1 深度学习 | 第21页 |
| 3.3.2 卷积神经网络概述 | 第21页 |
| 3.3.3 卷积神经网络特点 | 第21-24页 |
| 3.3.4 卷积神经网络训练 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第4章 基于回归和BP神经网络的电影票房预测模型 | 第26-38页 |
| 4.1 数据来源和样本说明 | 第26-30页 |
| 4.2 多元线性回归模型 | 第30-33页 |
| 4.2.1 模型构建 | 第30-31页 |
| 4.2.2 模型调整 | 第31-33页 |
| 4.2.3 结果分析 | 第33页 |
| 4.3 BP神经网络模型 | 第33-37页 |
| 4.3.1 模型构建与调整 | 第33-35页 |
| 4.3.2 结果分析 | 第35-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第5章 基于卷积神经网络的电影票房预测模型 | 第38-47页 |
| 5.1 基于CNN的电影票房预测模型构建 | 第38-40页 |
| 5.1.1 数据预处理 | 第38-39页 |
| 5.1.2 卷积神经网络结构 | 第39页 |
| 5.1.3 电影票房预测模型预测过程 | 第39-40页 |
| 5.1.4 CNN模型训练 | 第40页 |
| 5.2 CNN模型结果分析 | 第40-44页 |
| 5.3 模型比较与分析 | 第44-46页 |
| 5.4 本章小结 | 第46-47页 |
| 结论 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
