| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-14页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·研究宏观现状 | 第11页 |
| ·研究技术现状 | 第11-12页 |
| ·论文的主要研究内容 | 第12页 |
| ·论文的主要工作及组织结构 | 第12-14页 |
| 第二章 基于Web挖掘的舆情分析关键技术 | 第14-23页 |
| ·Web挖掘 | 第14页 |
| ·Web舆情数据采集及预处理 | 第14-16页 |
| ·网络信息抓取技术 | 第14-15页 |
| ·网页信息预处理技术 | 第15-16页 |
| ·舆情文本表示及结构化 | 第16-18页 |
| ·VSM向量空间模型 | 第16-17页 |
| ·TF/IDF函数 | 第17-18页 |
| ·舆情主题检测与跟踪 | 第18-20页 |
| ·TDT主题检测与跟踪 | 第18页 |
| ·Single-Pass单遍聚类算法 | 第18-19页 |
| ·K-means算法 | 第19-20页 |
| ·热点舆情预测相关算法 | 第20-23页 |
| ·BP神经网络 | 第20-21页 |
| ·ARIMA模型 | 第21-23页 |
| 第三章 舆情分析预测模型研究 | 第23-30页 |
| ·舆情分析预测模型概述 | 第23-24页 |
| ·热点舆情发现模型研究 | 第24-27页 |
| ·报道特征表示 | 第24-25页 |
| ·Web意见的作用 | 第25页 |
| ·话题特征表示 | 第25-26页 |
| ·舆情来源分析 | 第26页 |
| ·舆情热度分析 | 第26-27页 |
| ·热点舆情预测模型研究 | 第27-30页 |
| ·舆情发展趋势预测模型 | 第27-28页 |
| ·基于意见分类的热点舆情预测分析 | 第28-30页 |
| 第四章 对热点舆情发现模型的改进 | 第30-50页 |
| ·改进的热点舆情发现模型 | 第30-31页 |
| ·基于Web意见挖掘的报道特征表示 | 第31-37页 |
| ·Web意见挖掘 | 第31页 |
| ·Web意见词典的构建 | 第31-35页 |
| ·改进的报道向量 | 第35-37页 |
| ·舆情来源分析模型 | 第37-41页 |
| ·舆情来源量化分析指标 | 第37-38页 |
| ·Page-Rank算法思想 | 第38-39页 |
| ·Page-Rank算法的拓展 | 第39-40页 |
| ·构建舆情来源分析模型 | 第40-41页 |
| ·热点舆情识别 | 第41-43页 |
| ·话题热度特征描述 | 第41-42页 |
| ·话题热度计算函数 | 第42-43页 |
| ·实验及评估 | 第43-50页 |
| ·网络新闻数据的抓取 | 第43-47页 |
| ·中文分词及文本表示 | 第47-48页 |
| ·模型改进效果分析 | 第48-50页 |
| 第五章 C5.0和BP神经网络结合的热点舆情预测模型 | 第50-58页 |
| ·意见倾向分类预测模型 | 第50-51页 |
| ·C5.0决策树算法 | 第51页 |
| ·建立C5.0意见分类决策树 | 第51-53页 |
| ·建立BP神经网络预测模型 | 第53-54页 |
| ·实验及评估 | 第54-58页 |
| ·原舆情预测模型的建立 | 第54页 |
| ·基于C5.0和BP神经网络的舆情预测模型建立 | 第54-56页 |
| ·模型改进效果分析 | 第56-58页 |
| 第六章 结论 | 第58-60页 |
| ·主要工作及创新点 | 第58-59页 |
| ·研究展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表论文 | 第63页 |