當(dāng)前,用戶原創(chuàng)內(nèi)容(User Generated Content,UGC)數(shù)量規(guī)模龐大、增長(zhǎng)迅速,內(nèi)容千差萬(wàn)別,信息質(zhì)量良莠不齊。如何實(shí)現(xiàn)UGC的高效自動(dòng)評(píng)估并從中獲取切實(shí)有用的信息,已成為一個(gè)極具挑戰(zhàn)的問(wèn)題。本文在分析UGC文本內(nèi)容的基礎(chǔ)上,針對(duì)網(wǎng)絡(luò)論壇中的特定用戶建立了基于時(shí)間序列預(yù)測(cè)法的UGC質(zhì)量預(yù)測(cè)模型。本文首先介紹了時(shí)間序列預(yù)測(cè)的相關(guān)方法、各個(gè)方法的基本原理及優(yōu)缺點(diǎn),重點(diǎn)研究差分自回歸移動(dòng)平均模型(Autoregressive Integrated Moving Average Model,ARIMA)和神經(jīng)網(wǎng)絡(luò)。隨后結(jié)合多模型融合預(yù)測(cè)的思想,提出使用融合模型預(yù)測(cè)UGC數(shù)量,并建立小波融合模型預(yù)測(cè)UGC質(zhì)量。融合模型思想認(rèn)為待分析的時(shí)間序列由線性部分和非線性部分兩部分組成,并使用統(tǒng)計(jì)學(xué)模型和神經(jīng)網(wǎng)絡(luò)分別分析。小波融合模型結(jié)合融合模型思想使用線性模型提取時(shí)間序列的線性部分,隨后使用小波變換方法分析殘差部分并使用神經(jīng)網(wǎng)絡(luò)分析,預(yù)測(cè)特定的網(wǎng)絡(luò)用戶發(fā)表和回復(fù)UGC的質(zhì)量。本文的實(shí)驗(yàn)語(yǔ)料是“天涯論壇——雜談板塊”中的部分UGC。UGC質(zhì)量是由人工標(biāo)注法分類,分為“精品貼”和“普通帖”。...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
第一章 緒論
    1.1 課題背景與意義
    1.2 UGC國(guó)內(nèi)外研究現(xiàn)狀
    1.3 時(shí)間序列預(yù)測(cè)法國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本文的主要研究?jī)?nèi)容
    1.5 創(chuàng)新點(diǎn)
    1.6 論文組織結(jié)構(gòu)
第二章 相關(guān)方法和技術(shù)介紹
    2.1 網(wǎng)絡(luò)爬蟲(chóng)技術(shù)
    2.2 TensorFlow系統(tǒng)
    2.3 時(shí)間序列預(yù)測(cè)法
    2.4 本章小結(jié)
第三章 UGC數(shù)量預(yù)測(cè)模型研究與實(shí)驗(yàn)分析
    3.1 數(shù)據(jù)預(yù)處理
    3.2 基于ARIMA模型的UGC數(shù)量預(yù)測(cè)
    3.3 基于BP神經(jīng)網(wǎng)絡(luò)的UGC數(shù)量預(yù)測(cè)
    3.4 基于融合模型的UGC數(shù)量預(yù)測(cè)
    3.5 本章小結(jié)
第四章 UGC質(zhì)量預(yù)測(cè)模型研究與實(shí)驗(yàn)分析
    4.1 特征選取
    4.2 基于小波融合模型的UGC質(zhì)量預(yù)測(cè)
    4.3 基于人工神經(jīng)網(wǎng)絡(luò)的UGC質(zhì)量分類預(yù)測(cè)
    4.4 基于SVM的UGC質(zhì)量預(yù)測(cè)
    4.5 本章小結(jié)
第五章 UGC行為預(yù)測(cè)系統(tǒng)
    5.1 UGC行為預(yù)測(cè)系統(tǒng)設(shè)計(jì)
    5.2 UGC行為預(yù)測(cè)系統(tǒng)數(shù)據(jù)預(yù)處理與結(jié)果展示
    5.3 UGC行為預(yù)測(cè)系統(tǒng)更新
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 主要工作及創(chuàng)新點(diǎn)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間取得的研究成果



本文編號(hào)：3819397