面向社交媒体的电影票房预测技术的研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 本文主要研究工作 | 第8-9页 |
| 1.2.1 基于社交媒体的演员影响力判定 | 第8-9页 |
| 1.2.2 电影上映前票房分类预测模型的构建 | 第9页 |
| 1.2.3 电影上映后票房收入预测模型的构建 | 第9页 |
| 1.3 论文组织结构 | 第9-12页 |
| 第2章 相关工作综述 | 第12-16页 |
| 2.1 电影票房预测研究现状 | 第12-13页 |
| 2.2 社交媒体用于预测研究现状 | 第13-14页 |
| 2.3 整体方法总结 | 第14-15页 |
| 2.4 本章小结 | 第15-16页 |
| 第3章 基于社交媒体的演员影响力等级划分 | 第16-24页 |
| 3.1 机器学习 | 第16-18页 |
| 3.1.1 机器学习的基本概念 | 第16-17页 |
| 3.1.2 经验风险最小化 | 第17-18页 |
| 3.2 统计学习理论的基本概念 | 第18-19页 |
| 3.2.1 VC维 | 第18页 |
| 3.2.2 结构风险最小化 | 第18-19页 |
| 3.3 社交网络中用户影响力等级划分 | 第19-23页 |
| 3.3.1 用户多维度模型构建 | 第19-22页 |
| 3.3.2 用户影响力判定 | 第22-23页 |
| 3.4 本章小结 | 第23-24页 |
| 第4章 电影上映前票房分类预测模型构建 | 第24-42页 |
| 4.1 数据的预处理和规范化 | 第24-29页 |
| 4.1.1 数据预处理 | 第25页 |
| 4.1.2 变量的选取和规范化 | 第25-29页 |
| 4.2 基于支持向量机的票房分类模型构建 | 第29-32页 |
| 4.2.1 支持向量机用于分类 | 第29-32页 |
| 4.2.2 构建票房分类预测模型 | 第32页 |
| 4.3 基于神经网络的票房分类模型构建 | 第32-38页 |
| 4.3.1 BP神经网络 | 第32-33页 |
| 4.3.2 误差反向传播学习算法 | 第33-35页 |
| 4.3.3 神经网络用于分类 | 第35-36页 |
| 4.3.4 神经网络分类器的设计 | 第36-38页 |
| 4.4 实验及分析 | 第38-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第5章 电影上映首周后票房预测模型构建 | 第42-48页 |
| 5.1 基于隐语义模型的分类 | 第42-45页 |
| 5.2 基于线性回归的电影票房预测模型 | 第45页 |
| 5.3 实验分析 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 应用系统实例 | 第48-52页 |
| 6.1 系统总体设计 | 第48页 |
| 6.2 系统功能模块 | 第48-49页 |
| 6.3 预测计算结果展示 | 第49-51页 |
| 6.4 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表论文 | 第58-60页 |
| 致谢 | 第60页 |
