基于机器学习的微博舆情预测模型研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 2 微博舆情数据的获取与分析 | 第16-29页 |
| 2.1 微博舆情特点分析 | 第16-17页 |
| 2.2 微博数据的获取与处理 | 第17-25页 |
| 2.2.1 微博数据的获取 | 第19-24页 |
| 2.2.2 微博数据的处理 | 第24-25页 |
| 2.3 微博舆情热点话题的发现 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 BP神经网络预测模型 | 第29-38页 |
| 3.1 BP神经网络简介 | 第29-32页 |
| 3.1.1 人工神经元模型 | 第29-30页 |
| 3.1.2 三层BP神经网络模型 | 第30-32页 |
| 3.2 BP神经网络学习算法 | 第32-36页 |
| 3.3 BP神经网络模型的优点及缺陷 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 微博舆情预测模型的构建和优化 | 第38-52页 |
| 4.1 BP神经网络拓扑结构的优化 | 第38-42页 |
| 4.1.1 遗传算法分析 | 第38-40页 |
| 4.1.2 遗传算法优化BP神经网络结构 | 第40-42页 |
| 4.2 改进的PSO算法优化BP神经网络参数 | 第42-51页 |
| 4.2.1 PSO算法分析 | 第42-45页 |
| 4.2.2 改进的PSO算法基本思想及参数设置 | 第45-46页 |
| 4.2.3 基于改进的PSO算法优化神经网络模型 | 第46-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 模型算法验证与分析 | 第52-61页 |
| 5.1 实验内容 | 第52-56页 |
| 5.1.1 微博舆情时间序列的获取 | 第52-55页 |
| 5.1.2 函数及实验参数设置 | 第55-56页 |
| 5.2 实验结果分析 | 第56-60页 |
| 5.3 本章小结 | 第60-61页 |
| 6 结论与展望 | 第61-63页 |
| 6.1 全文总结 | 第61页 |
| 6.2 研究展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 在学研究成果 | 第66-67页 |
| 致谢 | 第67页 |
