基于Word2Vec新词识别的评论情感分析系统的研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 相关技术研究 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 Kafka分布式消息系统 | 第15-18页 |
| 2.3 Hadoop分布式框架 | 第18-20页 |
| 2.3.1 MapReduce编程模型 | 第18-19页 |
| 2.3.2 HDFS文件系统 | 第19-20页 |
| 2.4 基于LSI模型的新闻主题划分 | 第20-22页 |
| 2.4.1 LSI模型与奇异值分解 | 第20-21页 |
| 2.4.2 新闻主题划分 | 第21-22页 |
| 2.5 Word2vec模型 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 情感新词的识别技术 | 第25-46页 |
| 3.1 引言 | 第25-26页 |
| 3.2 语料和知识库融合训练词向量 | 第26-32页 |
| 3.2.1 融合词向量模型理 | 第26-28页 |
| 3.2.2 词语互信息计算及效率优化 | 第28-31页 |
| 3.2.3 融合词向量训练的具体实现 | 第31-32页 |
| 3.3 情感词典的扩充 | 第32-40页 |
| 3.3.1 基于中心向量法的词典扩充 | 第32-38页 |
| 3.3.2 扩充阈值的测定 | 第38-40页 |
| 3.4 实验及实验结果分析 | 第40-45页 |
| 3.4.1 融合词向量模型效果测试 | 第40-43页 |
| 3.4.2 情感词典扩充效果验证 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 句子级情感分析技术 | 第46-53页 |
| 4.1 引言 | 第46页 |
| 4.2 数据预处理 | 第46-48页 |
| 4.3 情感倾向分析的实现 | 第48-51页 |
| 4.3.1 中文句式的处理策略 | 第48-49页 |
| 4.3.2 情感词位置定位及作用窗口计算 | 第49-50页 |
| 4.3.3 中文句式分析具体实现 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 新词识别的评论情感分析系统设计 | 第53-62页 |
| 5.1 引言 | 第53页 |
| 5.2 系统整体架构设计 | 第53-54页 |
| 5.3 数据采集模块设计 | 第54-57页 |
| 5.3.1 腾讯全网新闻爬虫 | 第54-57页 |
| 5.3.2 同义词-反义词词林解析接口 | 第57页 |
| 5.4 情感新词识别模块设计 | 第57-58页 |
| 5.5 句子级情感分析模块设计 | 第58-59页 |
| 5.6 交互界面设计 | 第59-61页 |
| 5.7 本章小结 | 第61-62页 |
| 第6章 系统实现及测试分析 | 第62-73页 |
| 6.1 测试环境 | 第62页 |
| 6.2 性能测试 | 第62-63页 |
| 6.3 评论情感倾向分析测试案例及分析 | 第63-67页 |
| 6.4 相关功能实现及系统界面展示 | 第67-72页 |
| 6.5 本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读学位期间发表的学术论文 | 第79-81页 |
| 致谢 | 第81页 |
