| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-17页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 用户偏好分析 | 第12-13页 |
| 1.2.2 微博文本情感分析 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-16页 |
| 1.3.1 兴趣关键词提取算法 | 第15页 |
| 1.3.2 微博情感分析方法 | 第15-16页 |
| 1.3.3 基于用户情感因子的兴趣偏好程度分析 | 第16页 |
| 1.4 论文结构 | 第16-17页 |
| 2 基础理论与关键技术 | 第17-31页 |
| 2.1 用户偏好建模 | 第17页 |
| 2.2 文本分析技术 | 第17-24页 |
| 2.2.1 文本预处理 | 第18-19页 |
| 2.2.2 文本表示 | 第19-20页 |
| 2.2.3 关键词提取 | 第20-24页 |
| 2.3 情感分析技术 | 第24-29页 |
| 2.3.1 情感分析层级 | 第24页 |
| 2.3.2 基于词典的情感分析 | 第24-25页 |
| 2.3.3 基于机器学习的情感分析 | 第25-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 基于图模型的用户兴趣关键词提取算法 | 第31-45页 |
| 3.1 微博用户行为及内容特点分析 | 第31-33页 |
| 3.1.1 微博用户行为分析 | 第31-32页 |
| 3.1.2 微博文本特征分析 | 第32-33页 |
| 3.2 基于用户行为及时间的TF-IDF权重因子 | 第33-35页 |
| 3.2.1 TF-IDF算法 | 第33-34页 |
| 3.2.2 基于微博用户行为与时序特点的TF-IDF因子 | 第34-35页 |
| 3.3 引入TF-IDF权重因子的TEXTRANK算法 | 第35-39页 |
| 3.3.1 TextRank算法 | 第35-38页 |
| 3.3.2 引入TF-IDF因子的TextRank用户偏好关键词提取算法 | 第38-39页 |
| 3.4 基于维基百科的用户兴趣目录 | 第39-43页 |
| 3.4.1 维基百科数据结构 | 第39-41页 |
| 3.4.2 基于维基百科离线数据的兴趣目录 | 第41-42页 |
| 3.4.3 基于共现消歧的兴趣标签生成 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 4 结合情感因子的微博用户偏好模型 | 第45-59页 |
| 4.1 微博用户兴趣与用户情感关系 | 第45-46页 |
| 4.2 用户偏好情感词典的构建 | 第46-50页 |
| 4.2.1 现有情感词典介绍 | 第47页 |
| 4.2.2 微博情感词典构建 | 第47-49页 |
| 4.2.3 程度词、否定词词典构建 | 第49-50页 |
| 4.3 基于依存句法和语义依存的微博文本情感分析方法 | 第50-56页 |
| 4.3.1 依存句法与语义依存分析 | 第50-54页 |
| 4.3.2 微博情感强度计算 | 第54-56页 |
| 4.4 结合情感偏好因子的微博用户偏好模型 | 第56-58页 |
| 4.4.1 建模步骤 | 第56-57页 |
| 4.4.2 用户兴趣偏好程度计算 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 实验结果与分析 | 第59-69页 |
| 5.1 兴趣关联词抽取实验及结果分析 | 第59-63页 |
| 5.1.1 实验数据与实验步骤 | 第59-60页 |
| 5.1.2 实验结果与分析 | 第60-63页 |
| 5.2 微博情感分析实验及结果分析 | 第63-65页 |
| 5.2.1 实验数据 | 第63页 |
| 5.2.2 评价标准与实验结果 | 第63-65页 |
| 5.2.3 实验结果分析 | 第65页 |
| 5.3 用户偏好模型实验及结果分析 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |
