此文章为本人亲自指导加编写，禁止任何人抄袭以及各类盈利性传播， 相关的代码+部署+论文+ppt+代码讲解+答辩指导文件都有可私 计算机专业毕业设计任何项目-程序-论文-想单独指导的可以私
项目难度: 中等难度 适用场景: 相关题目的毕业设计 包含内容: 整套源码+完整毕业论文 大家点赞、收藏、关注、评论啦 。 资源下载|如果你正在做毕业设计，需要源码和论文，不局限于该项目，私聊我
摘要：
电影影评数据分析系统的核心目的是通过智能算法对海量影评进行深度挖掘，提炼观众的真实情感倾向、高频关键词及市场热点。其意义在于：为制片方提供精准的市场反馈，优化创作与宣发策略；为影院及流媒体平台提供排片与推荐的数据依据；同时帮助观众高效筛选符合口味的影片。系统通过量化主观评价，将模糊的舆论转化为可视化的数据洞察，是连接电影产业与消费者、推动行业数据化决策的关键工具。
本课题为电影影评分析可视化。系统主要采用Java语言、SPringBoot、MyBatis架构搭建，通过前期对豆瓣电影数据进行爬虫，数据存储到MySQL，然后通过spark进行数据的清洗、预处理和分析，最终分析结果通过Echarts进行可视化的展示。系统最终构建出一个动态、可交互的可视化仪表盘，为用户提供从宏观趋势到微观细节的全方位数据洞察。
关键词：电影影评；爬虫分析；可视化；SpringBoot；Spark
Data analysis and visualization of movie reviews
Abstract:
The core purpose of the movie review data analysis system is to conduct deep mining of massive movie reviews through intelligent algorithms, extracting the true emotional tendencies of audiences, high-frequency keywords, and market hotspots. Its significance lies in providing accurate market feedback for film producers, optimizing creative and promotional strategies; providing data basis for cinema and streaming media platforms for scheduling and recommendation; and helping audiences efficiently select films that suit their tastes. By quantifying subjective evaluations, the system transforms vague public opinion into visual data insights, serving as a key tool connecting the film industry with consumers and promoting data-driven decision-making in the industry.
This project is a visual analysis system for movie reviews. It is primarily built using Java, Spring Boot, and MyBatis frameworks. Initially, data from Douban movie database is scraped and stored in MySQL. Then, Spark is used for data cleaning, preprocessing, and analysis. The final analysis results are visualized using Echarts. The system ultimately constructs a dynamic and interactive visual dashboard, providing users with comprehensive data insights ranging from macro trends to micro details.
Key words：Movie reviews; web crawler analysis; visualization; Spring Boot; Spark
目 录
1 绪 论
1.1 研究背景意义
1.2 研究现状分析
1.3 研究内容
2 开发技术介绍
2.1 Java语言
2.2 SpringBoot框架
2.3 Spark技术
2.4 MySQL技术
2.5 Echarts技术
3 系统分析
2.1 可行性分析
2.2 功能需求分析
2.3 性能分析
4 系统设计
4.1 功能模块设计
4.2 数据采集与预处理功能设计
4.3 数据分析模型设计
5 系统实现
5.1 数据采集模块实现
5.1.1 数据采集
5.1.2 数据清洗
5.2 数据分析与可视化实现
5.2.1 电影分类可视化
5.2.2 电影词条分析分析可视化
5.2.1 转发量可视化
5.2.1 电影高评分统计可视化
5.2.1电影仪表盘可视化
结 论
参考文献
致 谢
1 绪 论
1.1 研究背景意义
我们正处于一个由数据重新塑造的时代，电影行业也不例外，以往人们对一部电影的评价多囿于亲友间的口口相传或专业影评人的专栏，其传播范围和影响力都颇为有限，然而随着豆瓣、猫眼、烂番茄以及互联网电影资料库等线上平台的兴起，电影评论已演变成一场全球性、实时性、去中心化的大众盛宴。每日这些平台都会产生 TB 级的数据，覆盖结构化数据如评分、点赞数，以及非结构化的文本数据如长篇影评、短评，这片数据的海洋，不再只是个人观点的简单汇集，它已汇聚成一个动态、鲜活且蕴含巨大潜力的“社会情感传感器”和“文化消费数据库”，电影影评数据挖掘与可视化有关键的方法论价值。它说明电影研究与市场分析正从传统的“经验驱动”和“个案分析”模式，向“数据驱动”的“宏观洞察”模式发生革命性转变，过去决策多依赖资深从业者的直觉和小样本的定性分析，如今基于全量或大规模样本的数据分析，可揭示出那些被个体经验忽视的、潜藏在复杂关系之下的宏观规律与长期趋势。这种范式转变，让电影作为一种文化产品和商业项目，其生命周期中的各个环节——从创意孵化、生产制作到市场营销、消费反馈——都有了可量化、可验证、可优化的科学依据，这提升了决策的精准程度，也在很大程度上降低了因主观误判而产生的投资与市场风险。
1.2 研究现状分析
国内针对于电影影评分析的相关资料文献也非常多。梁庆浩（2025）在基于多粒度的影评评分技术研究中提到针对评论文本中情感特征提取深度有限,难以充分捕捉复杂的语义关联。本文从两个方面提出了更加精准、适应性强的评分预测模型,以提升电影评分预测的效果[1]；徐圣方（2024）在Python爬虫获取豆瓣观众影评数据及可视化分析研究中提到 通过数据可视化分析方法，对电影的影评词云图、电影评分分布、评论数量与时间的关系、评论分数与日期的关系、评论数量和城市分布关系、评论分数和城市分布关系等进行探讨[2]；李陈香（2023）在基于深度学习的动画电影评论细粒度情感分析提到引入卷积神经网络和循环神经网络等相关模型,构建了一种基于深度学习的细粒度情感分析方法[3]；张丽琴（2023）在在票房预测模型研究上,论文选取电影时长、演员等传统影响因素,同时将影评情感引入,构建随机森林、XGBoost以及BP神经网络进行对比分析我国电影评论的情感分析和票房预测研究[4]；郁炜佳（2023）在基于评价对象的影评细粒度情感分析的方法研究提到本文采用CNNBiLSTM-CRF模型来进行细粒度情感分析任务中的第一个子任务,即评价对象的抽取任务。CNN能够有效获取文本序列中的局部模式和特征[5]；陈琦（2023）在电影评分的影响因素实证分析提到为了更好的挖掘上下文语义,使用Albert模型提取特征向量,在该模型的输入层中输入了位置信息,并采用transformer中的自注意力机制以此获得动态的词向量,将所得结果作为Text CNN模型的输入,最终的实验结果表明本文构建的Albert-PL-Text CNN模型性能最佳[6]；宋学强（2023）在基于深度学习的恶意影评及用户检测技术研究提到评活动和电商产品评论活动间存在着一定的差异性:在电商产品评论活动中,恶意用户往往会在集中某几个时间段进行评论,正常用户则相对分散,但电影的售票周期相对电商产品来说极短[7]；程夏敏（2022）对“豆瓣电影”网站数据和内容的分析提到为了提升电影创作、市场需求与观众偏好三者之间的契合度,本文运用大数据采集、数据图表分析和LDA主题模型对2021年国产电影数据进行分析研究[8]；武浩（2022）在基于文本分析的网络影评对剧情类电影票房影响研究提到首先以豆瓣网影评数量为研究对象,通过多元线性回归,证实了影评数量对票房的显著正向影响[9]。丁定生（2022）在基于Attention-Tree LSTM的电影评论情感分析研究提到利用深度学习技术对影评进行深入的研究,主要包括以下两部分:第一,基于 Tree LSTM(Tree-structured Long Short-Term Memory)模型对电影评论做情感分类[10]；
国外针对于电影影评大数据挖掘分析的案例研究也非常度。Khan A T（2025）在研究中提到针可以将大数据挖掘与电影影评结合进行预测分析，对电影的票房进行预测[11]；Jaikuna T（2025）在课题研究中提到，基于Spark对电影影评的数据进行预处理和模型建立，可以建立对电影网站的影评情感分析[12]。Chen J（2025）等人在研究中提到通过Python对电影影评数据的爬虫和分析，可以有效对电影的风评进行预测[13]。Wu Q（2025）等人在研究中提到结合大数据模型以及数据爬虫、挖掘等可以将网站中的用户数据进行分析，从而提现用户的情感方向[14]。Wang H等人（2025）在研究中提到通过大数据分析可以将网站的数据进行预测和模型分析[15]。
1.3 研究内容
本研究首先采用Java网络爬虫技术构建数据采集模块。通过模拟浏览器行为，定向爬取目标电影网站如豆瓣的影评数据，核心字段包括评论文本、用户评分、发布时间及有用数等。为应对反爬机制，爬虫程序需集成代理IP池与随机延时策略。获取原始数据后，利用Spark分布式计算框架进行高效的数据清洗与预处理，包括去除HTML标签、处理缺失值与重复数据，并借助中文分词工具对文本进行分词，为后续的深度分析奠定高质量的数据基础。
在预处理后的结构化数据基础上，本阶段聚焦于特征工程与模型构建。运用Spark MLlib库的TF-IDF算法从分词后的影评中提取关键文本特征，量化文本重要性。
最后，将模型分析的结果数据等导入Web前端系统。采用ECharts可视化库，将抽象的数据结论转化为直观的交互图表。这一阶段最终构建出一个动态、可交互的可视化仪表盘，为用户提供从宏观趋势到微观细节的全方位数据洞察。
2 开发技术介绍
2.1 Java语言
在语言特性方面，Java是一门设计优良的面向对象语言，其纯粹的面向对象理念，也就是除基本类型外一切皆对象，推动了代码的模块化、重用性以及可维护性，并且它还是一门健壮且安全的语言，严格的编译时类型检查以及自动内存管理，也就是垃圾回收机制，避免了内存泄漏和指针越界等常见错误，其安全模型，比如沙箱机制、字节码验证，为网络应用提供了关键保障。另外Java内置了强大的多线程支持，让开发者可轻松构建高并发响应式程序，丰富的异常处理机制保障了程序的稳定与可控，反射和动态加载等高级特性，给予了框架和容器，像Spring这样的，实现灵活架构的能力，正是这些跨平台、面向对象、健壮安全、支持并发的综合特性，使得Java经过二十多年的发展，依旧在企业级后端开发、安卓应用、大数据，像Hadoop/Spark这样的，以及云计算等领域占据着稳固的主导地位，构建了全球最庞大、最活跃的开发者生态系统之一。
2.2 SpringBoot框架
Spring Boot的核心架构特性体现在其“约定大于配置”的设计观念上，借助自动配置机制，它能依据项目依赖，像类路径上的JAR包，以及预设的默认行为，来对Spring应用进行智能配置，大幅度减少了繁琐的XML或Java显式配置，另外它给出了起步依赖，把常用功能模块，例如Web、数据访问、安全等相关依赖聚合起来，让项目构建和管理变得简单。Spring Boot还嵌入了Tomcat、Jetty等Web服务器，使应用可独立运行，并且凭借Actuator模块提供完备的生产级监控与管理端点，这些特性共同形成了一个高度集成、开箱即用且易于扩展的现代化微服务开发框架。
2.3 Spark技术
Spark的核心架构特性体现在其有统一的内存计算引擎以及基于有向无环图也就是DAG的调度系统，它把数据抽象成弹性分布式数据集即RDD以及更高级的DataFrame/Dataset，构建出一个包含批处理、实时流计算、交互式查询以及机器学习的一体化计算平台。其所有任务在启动的时候会被划分成多个阶段也就是Stage，并且由DAG调度器进行优化，借助内存缓存中间结果，避免了MapReduce等框架频繁读写磁盘所产生的瓶颈，达成了比Hadoop快数十倍的计算性能，这种统一且高效又可扩展的架构，让它成为处理海量数据的主流框架。
2.4 MySQL技术
在项目开发里选择MySQL数据库，它的核心优势是在性能、可靠性、易用性以及成本这几个方面成功取得了很好的平衡，成为中大型Web应用和互联网服务的首选，MySQL作为一款成熟的开源关系型数据库管理系统，首先有着出色的性能与可扩展性，它采用多线程、多存储引擎架构，InnoDB引擎能完美支持ACID事务、行级锁以及崩溃恢复，可高效处理高并发的读写操作。其复制功能和集群方案为数据的横向扩展和高可用性提供了有力保障，可契合从初创公司到亿级用户平台的成长需要，MySQL以其很高的易用性和广泛的生态系统闻名，它的SQL语法标准、清晰的文档以及丰富的管理工具极大降低了学习与运维的难度，它几乎被所有主流编程语言和开发框架深度支持，并且与Linux、Apache/Nginx、PHP/Perl/Python共同构成经典的LAMP/LEMP技术栈，生态整合没有缝隙。
2.5 Echarts技术
ECharts 是百度开源的一款基于 JavaScript 的数据可视化图表库，其核心特性是提供了丰富直观且可高度定制的交互式图表类型，像折线图、柱状图、散点图、地图等，还支持数据的动态流式加载以及多维数据钻取，它采用 Canvas 或 SVG 作为渲染器，可以高效绘制大规模数据，借助声明式配置语法和清晰文档，开发者能以较低学习成本快速构建专业级数据可视化页面，广泛应用于各类报表系统、大屏展示和数据分析平台。
3 系统分析
2.1 可行性分析
技术可行性方面：本项目所采用的技术栈有成熟且高效的特点，其中Java与SpringBoot架构可稳定地进行数据爬虫以及管理后端的开发工作，Spark作为分布式计算引擎，在处理海量影评数据的清洗与建模任务时呈现出高效性，ECharts可很好地支撑可视化图表的前端渲染工作。各个技术组件之间接口清晰，整合难度较低，技术风险处于可控范围之内。
操作可行性方面：SpringBoot把部署流程大大简化了，利用ECharts和LayUI等前端技术生成的图表直观又容易懂，哪怕是没有技术背景的业务人员，也能依靠友好的可视化界面轻松获得数据洞察，不用理解底层复杂技术，用户学习成本不高，操作很便捷。
市场可行性方面：此分析所得结果可直接为电影制片方、宣传发行方以及投资方提供服务，契合他们精准掌握市场口碑、深入洞察观众偏好的刚性需求，借助数据来驱动决策，可切实提升内容创作以及营销的精准程度，其潜在的商业价值颇为可观，在市场上的应用前景较为广阔。
2.2 功能需求分析
电影相关数据爬虫：在系统中通过对豆瓣电影数据进行爬虫，通过对电影的基础信息包含影片信息、内容描述简介、上映时间、所属类型、评论等内容进行爬虫获取，然后存储到数据库中。
数据清洗与预处理：对爬虫后的电影相关数据进行清洗，对一些内容为空的，或者是内容异常乱码或者是不合规的的信息进行处理，对重复数据等进行删除，将非结构化文本转为文本格式内容。
数据分析：通过中文分词、停用词过滤和情感极性标注等操作，为后续的情感分析、主题建模和可视化呈现提供标准化、高质量的数据基础
可视化展示：通过对电影类型、上映反馈情况、热度情况等进行分析，然后进行可视化展示。
2.3 性能分析
可靠性：系统需要保证可实现7×24小时不间断地持续运行状态，并且在全年之中的可用性水平不能低于99.9%，数据处理以及可视化模块应当有一定的容错能力，当遇到非致命错误或者部分数据出现异常情况时，系统可自动对问题模块进行隔离或者实施降级处理，以此来保障核心影评查询以及基础图表生成功能不会受到影响。数据存储方面需要采用冗余备份策略，以此来保证影评数据不会丢失，同时关键业务操作要有事务一致性，平均无故障运行时间也就是MTBF应当达到1000小时以上。
稳定性方面：系统要可承受日常高峰时期的并发访问情况，就像新片上映期间那样，在预设的负载范围之内，响应时间的波动幅度不能超过20%，各个功能模块都要经过足够的压力以及疲劳测试，以此保证在长期运行的情况下，不会出现内存泄漏、资源耗尽这类问题，当负载超过了阈值的时候，系统应该借助限流或者队列机制来平稳地进行处理，防止出现雪崩式的崩溃现象。后台的数据分析任务，比如情感分析，需要和在线服务资源相互隔离，避免计算密集型任务对前端用户交互的流畅性产生影响。
安全性方面：要对用户隐私以及影评数据给予严格保护，全部数据在传输过程中都采用HTTPS加密方式，对于敏感信息例如用户身份，在存储时要进行脱敏或者加密处理，系统需要拥有身份验证以及授权机制，以此来防止出现未授权的数据访问或者篡改情况，针对用户输入像影评内容、查询参数等，要开展有效的过滤以及校验工作，以此防范SQL注入、XSS等常见的网络攻击。要建立操作日志审计追踪体系，并且对可视化数据的公开范围实施分级控制，保证数据可合规使用。
4 系统设计
4.1 功能模块设计
在系统设计中，主要包含电影相关数据的采集、数据清洗、数据存储、数据分析、可视化展示五个模块。
4.2 数据采集与预处理功能设计
数据采集阶段首先要明确目标电影或者导演，以此为起点，借助URL管理器动态生成契合豆瓣分页逻辑的请求链接，下载器依据Requests或者Scrapy框架，再结合随机User – Agent、IP代理池以及延时策略来模拟浏览器行为，达到规避反爬的目的，解析器运用XPath或者BeautifulSoup准确提取HTML里的影评内容、星级评分、用户ID以及发布时间等结构化字段。存储器把清洗前的原始数据以及完整HTML源码分别持久化到MySQL数据库和文件系统之中，以此保证原始数据可进行追溯与复核。
在数据清洗阶段，起初会运用Pandas来检测以及处理缺失值，对于那些缺失关键字段的记录给予标记或者删除，紧接着依据“用户ID+时间戳”组合键去识别并且移除重复的影评条目，面对异常值，采用阈值过滤法把豆瓣常规1-5星范围以外的无效评分数据剔除掉，文本清洗环节借助正则表达式去除HTML标签、广告文本以及无关特殊字符，并且利用Jieba分词进行初步处理保留核心评论文本。最终把时间字段统一转变为标准时间戳格式，以此保证后续时序分析的一致性。
4.3 数据分析模型设计
在数据分析阶段，首先会借助描述性统计的方式来计算评分均值、分布以及评论数量的趋势，以此来掌握数据的整体特征，情感分析模块依据SnowNLP或者训练好的情感分类模型，把影评划分成正面、负面以及中性倾向这三种类型，运用LDA主题模型以及TF-IDF关键词提取技术，去挖掘影评当中的高频话题以及核心讨论焦点。时间序列分析会追踪评分波动以及情感倾向随着电影上映时间的变化规律，洞察口碑的演化趋势，最后凭借聚类分析来识别不同类型的用户群体，比较这些群体评分行为以及情感表达特征之间的差异。
5 系统实现
5.1 数据采集模块实现
5.1.1 数据采集
本系统借助Java技术栈达成豆瓣电影数据爬虫的构建，运用HttpClient模拟浏览器发起请求以获取目标电影页面的HTML源码，利用Jsoup解析器从中提取电影名称、类型标签、综合评分以及短评列表等结构化数据，面对反爬机制，整合代理IP池并采用随机延时策略来保证稳定采集。解析后的相关数据经过清洗后借助MyBatis持久化到MySQL数据库之中，形成完整的电影信息与影评数据集，为后续分析提供数据基础。
图5.1 爬虫数据展示
5.1.2 数据清洗
该系统借助Spark搭建分布式数据清洗管道，运用Java API编写清洗逻辑，即对缺失关键字段的记录给予过滤，对文本编码格式进行标准化处理，对异常评分值修正，对时间格式给予统一，最终把规整化后的数据写入MySQL，以此为后续分析提供有高质量的数据集。
图5.2 爬虫数据清洗后展示
5.2 数据分析与可视化实现
5.2.1 电影分类可视化
在数据处理环节，一开始借助Spark针对清洗过后的电影数据集展开聚合分析，运用`flatMap`操作把每部电影的多类型标签给予拆分，接着凭借`groupBy`以及`count`操作来统计各个电影类型的出现频次，统计得出的结果经由SpringBoot后端接口被封装成含有类型名称以及对应数量的JSON数据。前端利用Echarts接收此数据，配置饼图选项并进行渲染生成可视化图表，支持点击交互以便查看具体类型的占比详情，可直观地呈现电影类型分布特征。
图5.3 电影分类可视化展示
5.2.2 电影词条分析分析可视化
利用Spark针对影评文本开展中文分词以及停用词过滤工作，借助reduceByKey操作来统计各个词汇出现的频率，挑选出高频词汇生成热词数据，最后借助Echarts词云图给予可视化呈现。
图5.4 电影词条可视化展示
5.2.1 转发量可视化
借助Spark SQL针对电影数据集开展聚合查询操作，依据电影名称进行分组，统计出总转发量，在排序之后挑选出Top N数据，后端把结果转变为Echarts柱状图所需要的格式，以此达成转发量排名的可视化呈现。
图5.5 电影转发量可视化展示
5.2.1 电影高评分统计可视化
利用Spark对评分大于或等于4.0的电影数据展开筛选操作，依据电影名称进行聚合，计算出平均分以及评论数，在综合排序之后，从中提取出Top 10条目，后端会把结构化的数据给予Echarts，以此生成横向柱状图，可直观地呈现出高评分电影的排名情况。
图5.6 电影高评分排行可视化展示
5.2.1电影仪表盘可视化
利用Spark进行多维分析，生成电影评分分布、类型占比以及年度产量等聚合数据，之后借助SpringBoot接口给予统一封装，前端则运用Echarts仪表盘组件来集成多个图表视图，最终形成交互式数据可视化面板。
图5.7 电影数据分析仪表盘可视化展示
结 论
本次毕业设计聚焦于电影影评分析可视化系统，经过一系列系统的设计与实现工作，达成了从数据采集直至可视化展示的完整流程构建，起初系统达成了针对豆瓣电影平台的定向爬虫操作，获取了涉及影评内容、用户评分以及时间信息等多维度的数据，紧接着借助预处理与清洗流程，把原始数据转变为高质量的结构化数据，之后依靠Spark分布式计算框架展开深度的数据分析与挖掘工作，提炼出有价值的信息特征，最后凭借Web前端与后端服务的协同配合，构建出交互式可视化仪表盘，达成了分析结果的直观展示。整个系统以数据流作为主线，形成了完备的数据处理与分析闭环。
系统在技术实现方面，后端运用SpringBoot与MyBatis这种成熟的Java技术栈，搭建起稳定且高效的服务架构，数据处理层引入Spark来开展大规模数据的清洗、转换以及计算工作，使得处理效率得到了提升，数据存储选用MySQL关系型数据库，以此保证数据可进行结构化存储并且实现可靠访问。前端可视化选用Echarts图表库，达成了丰富的交互式图表展示，在内容层面，系统完成了基础的情感倾向分析、评分分布统计等常规分析，还实现了主题词云、时间序列趋势、用户群体聚类等进阶分析功能，为用户提供了从宏观概况到微观洞察的多层次分析视角。
本系统化解了传统影评分析里数据处理效率欠佳、分析维度单一、结果展示不够直观这类核心问题，凭借自动化的数据采集跟处理流程，提高了影评数据的获取以及整理效率，依靠Spark的分布式计算能力，达成了对大规模影评数据的快速分析与挖掘，经由交互式可视化仪表盘，把复杂的分析结果转变成直观的图表跟图形，让非专业用户也可快速理解数据内涵，给电影口碑分析、市场趋势研判提供了有力的数据支持跟决策参考。
虽然系统大体上达成了设计预期，然而还是存在一些欠缺之处，在数据方面，借助爬虫获取的数据规模依旧受到豆瓣平台反爬策略的限制，未来可以思考多数据源融合的方式来提高数据的全面程度，在分析精度上，目前的情感分析模型对于复杂语义以及讽刺表达的识别准确性以及待提升，在可视化领域，移动端的适配以及交互体验仍旧需要优化。另外系统的实时性需要强化，未来可引入流式计算框架来达成近实时的影评数据分析与展示，提高系统的实用价值和时效性。
参考文献
[1]梁庆浩.基于多粒度的影评评分技术研究[D].江西理工大学,2025.
[2]徐圣方,王金阳. Python爬虫获取豆瓣观众影评数据及可视化分析[J].网络安全技术与应用,2024,(04):59-62.
[3]李陈香.基于深度学习的动画电影评论细粒度情感分析[D].成都理工大学,2023.
[4]张丽琴.我国电影评论的情感分析和票房预测研究[D].苏州大学,2023.
[5]郁炜佳.基于评价对象的影评细粒度情感分析的方法研究[D].南昌大学,2023.
[6]陈琦.电影评分的影响因素实证分析[D].安徽大学,2023..
[7]宋学强.基于深度学习的恶意影评及用户检测技术研究[D].四川大学,2023..
[8]程夏敏. 对“豆瓣电影”网站数据和内容的分析——以2021年国产电影为例[J].中国电影市场,2022,(07):23-30.
[9]武浩.基于文本分析的网络影评对剧情类电影票房影响研究[D].北京林业大学,2022.
[10]丁定生.基于Attention-Tree LSTM的电影评论情感分析研究[D].华中农业大学,2022.
[11]Khan A T ,Tulsi J ,Alam M , et al. Analysis and visualization of fraud detection patterns through data mining and classification using MLP and hybrid deep learning model[J].Egyptian Informatics Journal,2025,32100829-100829.
[12]Jaikuna T ,Wilson F ,Anandadas C , et al. Unveiling regions associated with acute and late breast side-effects from breast radiotherapy using voxel-wise image-based data mining analysis[J].Radiotherapy and Oncology,2025(11):17-21.
[13]Chen J ,Tan T ,Luo Y . Chemical Profiling of Chixiaodou Danggui San Using Liquid Chromatography-Tandem Mass Spectrometry With Data Mining Strategy.[J].Rapid communications in mass spectrometry : RCM,2025,39(23).
[14]Wu Q ,Yuan J ,Zhou J , et al. Advances in Data Mining for Food Flavor Analysis: A Comprehensive Review of Techniques, Applications and Future Directions[J].Journal of Future Foods,2025,6(4):519-532.
[15]Wang H ,Ye C . Preface for “Big Data Mining and Analytics with Applications”[J].Mathematics,2025,13(21):3441-3441.
