| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 排名聚合算法研究现状 | 第10-11页 |
| 1.2.2 时间序列预测方法研究现状 | 第11-12页 |
| 1.2.3 排名学习方法研究现状 | 第12-13页 |
| 1.3 本文主要研究内容及章节安排 | 第13-15页 |
| 第2章 互联网金融异构信息获取及预处理 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 金融异构信息获取 | 第15-19页 |
| 2.2.1 实时行情数据 | 第15-16页 |
| 2.2.2 财务信息及板块分类 | 第16-18页 |
| 2.2.3 个股舆情数据 | 第18-19页 |
| 2.3 金融异构信息预处理 | 第19页 |
| 2.3.1 行情数据的预处理 | 第19页 |
| 2.3.2 新闻和股吧数据的预处理 | 第19页 |
| 2.4 本章小结 | 第19-21页 |
| 第3章 基于排名聚合算法的金融热点发现 | 第21-28页 |
| 3.1 基于无监督学习的排名聚合算法 | 第21-23页 |
| 3.1.1 朴素的线性加权策略 | 第21-22页 |
| 3.1.2 基于随机梯度下降的排名聚合方法 | 第22-23页 |
| 3.2 个股热度计算方法 | 第23-26页 |
| 3.2.1 行情热度计算 | 第25-26页 |
| 3.2.2 新闻和股吧热度计算 | 第26页 |
| 3.3 板块热度计算方法 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 基于预测模型的金融热点追踪 | 第28-43页 |
| 4.1 热点追踪问题背景介绍 | 第28-29页 |
| 4.2 基于时间序列预测方法的热点追踪 | 第29-34页 |
| 4.2.1 移动平均法和指数平滑法 | 第29-30页 |
| 4.2.2 最小二乘学习法 | 第30-32页 |
| 4.2.3 基于时间序列的金融热点预测模型 | 第32-34页 |
| 4.3 基于排名学习方法的热点追踪 | 第34-39页 |
| 4.3.1 排名学习方法 | 第34-36页 |
| 4.3.2 基于排名学习的支持向量机方法 | 第36-38页 |
| 4.3.3 基于Pair Wise LTR的金融热点排序模型 | 第38-39页 |
| 4.4 金融热点演化规律 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 实验平台与知识服务的实现 | 第43-51页 |
| 5.1 实验环境与实验数据 | 第43页 |
| 5.2 实验结果评估与分析 | 第43-48页 |
| 5.2.1 基于时间序列的金融热点预测实验分析 | 第43-45页 |
| 5.2.2 基于Pair Wise LTR的金融热点排序实验分析 | 第45-48页 |
| 5.3 热点发现与追踪知识服务平台的实现 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 附录 | 第57-67页 |
| 附录A | 第57-59页 |
| 附录B | 第59-67页 |
| 致谢 | 第67页 |