基于新浪微博数据的处理与用户行为分析
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.3.1 关于微博的预测研究 | 第15-16页 |
| 1.3.2 关于微博转发行为预测的研究 | 第16-17页 |
| 1.3.3 微博情感分析的预测 | 第17-18页 |
| 1.4 本文主要工作 | 第18-19页 |
| 1.5 论文组织结构 | 第19-20页 |
| 2 微博数据的获取与存储 | 第20-33页 |
| 2.1 爬虫系统的设计与调度 | 第20-23页 |
| 2.2 微博数据的获取 | 第23-30页 |
| 2.2.1 用户信息获取 | 第23-25页 |
| 2.2.2 用户关系获取 | 第25-27页 |
| 2.2.3 微博内容获取 | 第27-30页 |
| 2.3 数据库设计 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于微博特征的用户转发行为预测 | 第33-52页 |
| 3.1 预测模型的设计与描述 | 第33页 |
| 3.2 特征提取 | 第33-35页 |
| 3.3 基本分类算法 | 第35-44页 |
| 3.3.1 支持向量机算法 | 第36-39页 |
| 3.3.2 K近邻算法 | 第39-40页 |
| 3.3.3 朴素贝叶斯算法 | 第40-42页 |
| 3.3.4 C4.5决策树 | 第42-44页 |
| 3.4 实验内容 | 第44-51页 |
| 3.4.1 实验环境 | 第45页 |
| 3.4.2 文本分类评价指标 | 第45-46页 |
| 3.4.3 实验描述及结果分析 | 第46-51页 |
| 3.5 本章小结 | 第51-52页 |
| 4 基于分类器混合模型的微博情感预测 | 第52-58页 |
| 4.1 数据处理 | 第52页 |
| 4.2 HCSPM | 第52-54页 |
| 4.2.1 HCSPM工作原理 | 第52-53页 |
| 4.2.2 HCSPM情感分类步骤 | 第53-54页 |
| 4.3 实验内容 | 第54-57页 |
| 4.3.1 实验环境 | 第54页 |
| 4.3.2 HCSPM性能分析 | 第54-57页 |
| 4.3.3 实验结果比较与分析 | 第57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 用户行为分析系统的设计与实现 | 第58-66页 |
| 5.1 系统概述 | 第58-61页 |
| 5.1.1 需求分析 | 第58-59页 |
| 5.1.2 系统工作流程 | 第59-61页 |
| 5.2 系统功能模块设计 | 第61-65页 |
| 5.2.1 转发行为预测模块设计 | 第62-63页 |
| 5.2.2 用户情感预测模块设计 | 第63-65页 |
| 5.3 本章小结 | 第65-66页 |
| 6 结论与展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
