| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 大数据研究背景 | 第11-12页 |
| 1.2 机器学习研究现状 | 第12-13页 |
| 1.3 论文主要工作及创新点 | 第13-14页 |
| 1.3.1 主要工作 | 第13-14页 |
| 1.3.2 主要创新点 | 第14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 第二章 基于K-MEANS算法的高维影视数据预处理 | 第17-33页 |
| 2.1 影视大数据特征分析 | 第17-19页 |
| 2.1.1 影视大数据的数据特征 | 第17-18页 |
| 2.1.2 影视大数据的样本选择 | 第18-19页 |
| 2.2 数据处理方法分析 | 第19-21页 |
| 2.2.1 目前主流的数据处理方法 | 第19-20页 |
| 2.2.2 机器学习对数据进行处理 | 第20-21页 |
| 2.3 K-MEANS聚类算法描述 | 第21-24页 |
| 2.3.1 K-Means聚类算法的介绍 | 第22-23页 |
| 2.3.2 K-Means聚类算法的改进 | 第23-24页 |
| 2.4 基于K-MEANS聚类算法的数据预处理 | 第24-32页 |
| 2.4.1 属性选择 | 第24-27页 |
| 2.4.2 数据聚集 | 第27-29页 |
| 2.4.3 数据规范化 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于因子分析法的高维影视数据降维处理 | 第33-41页 |
| 3.1 高维数据的降维方法简介 | 第33-34页 |
| 3.2 因子分析法描述 | 第34-35页 |
| 3.2.1 因子分析法的介绍 | 第34-35页 |
| 3.2.2 因子分析法的应用现状 | 第35页 |
| 3.3 基于因子分析法的高维影视数据降维处理 | 第35-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于SVM算法与ADABOOST-BP算法的收视预测 | 第41-55页 |
| 4.1 SVM算法描述 | 第41-42页 |
| 4.1.1 SVM算法的介绍 | 第41-42页 |
| 4.1.2 SVM算法的应用现状 | 第42页 |
| 4.2 ADABOOST-BP算法描述 | 第42-45页 |
| 4.2.1 BP神经网络的介绍 | 第43-44页 |
| 4.2.2 AdaBoost-BP算法的介绍 | 第44-45页 |
| 4.2.3 AdaBoost-BP算法的应用现状 | 第45页 |
| 4.3 收视水平预测分析 | 第45-49页 |
| 4.3.1 基于SVM算法的收视水平预测分析 | 第46-47页 |
| 4.3.2 基于AdaBoost-BP算法的收视水平预测分析 | 第47-49页 |
| 4.4 收视率预测分析 | 第49-52页 |
| 4.4.1 基于SVR算法的收视率预测分析 | 第50-51页 |
| 4.4.2 基于AdaBoost-BP算法的收视率预测分析 | 第51-52页 |
| 4.5 预测效果对比分析 | 第52-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 基于智能影视大数据分析系统的收视分析 | 第55-69页 |
| 5.1 智能影视大数据分析系统架构及关键技术 | 第55-58页 |
| 5.1.1 系统架构分析 | 第55-57页 |
| 5.1.2 系统关键技术 | 第57-58页 |
| 5.2 基于智能影视大数据分析系统的收视分析 | 第58-68页 |
| 5.2.1 收视趋势分析 | 第58-61页 |
| 5.2.2 频道编播分析 | 第61-62页 |
| 5.2.3 节目收视排名分析 | 第62-64页 |
| 5.2.4 电视剧收视排名分析 | 第64-65页 |
| 5.2.5 电视剧收视预测分析 | 第65-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 论文工作总结 | 第69页 |
| 6.2 问题和展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文 | 第75页 |
