社交网络评论中的反语识别研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第8-16页 |
| 第一节 研究背景和研究意义 | 第8-11页 |
| 一、研究背景 | 第8-10页 |
| 二、研究意义 | 第10-11页 |
| 第二节 国内外的研究动态 | 第11-14页 |
| 一、国外研究动态 | 第11-13页 |
| 二、国内研究动态 | 第13-14页 |
| 第三节 研究思路与创新 | 第14-15页 |
| 一、研究思路 | 第14页 |
| 二、本文创新点 | 第14-15页 |
| 第四节 论文安排 | 第15-16页 |
| 第二章 WEB文本分类技术与流程 | 第16-26页 |
| 第一节WEB挖掘介绍 | 第16-18页 |
| 一、Web挖掘的分类 | 第16-17页 |
| 二、Web文本挖掘 | 第17-18页 |
| 第二节WEB文本分类 | 第18-26页 |
| 一、文本分类概述 | 第18页 |
| 二、获取资源 | 第18页 |
| 三、数据预处理 | 第18-19页 |
| 四、文本表示 | 第19-22页 |
| 五、降维方法 | 第22-26页 |
| 第三章 基于规则的文本分类 | 第26-29页 |
| 第一节 基于规则分类介绍 | 第26-27页 |
| 一、规则集的相关知识 | 第26-27页 |
| 二、规则的排序方法 | 第27页 |
| 第二节 提取规则 | 第27-28页 |
| 第三节 基于规则的分类器 | 第28-29页 |
| 第四章 机器学习分类方法 | 第29-38页 |
| 第一节 朴素贝叶斯分类方法 | 第29-30页 |
| 第二节 支持向量机分类方法 | 第30-35页 |
| 一、最大边缘超平面 | 第30-32页 |
| 二、最大边缘基本原理 | 第32页 |
| 三、线性支持向量机：可分情况 | 第32-34页 |
| 四、线性支持向量机：不可分情况 | 第34-35页 |
| 第三节 决策树分类方法 | 第35-37页 |
| 一、决策树的生成 | 第35-36页 |
| 二、决策树树剪枝 | 第36-37页 |
| 第四节 最近邻分类方法 | 第37-38页 |
| 第五章 规则结合机器学习的反语识别 | 第38-46页 |
| 第一节 基于规则的反语识别 | 第38-43页 |
| 一、提取规则 | 第38-39页 |
| 二、构建语料库 | 第39-40页 |
| 三、违反常识规则的判定 | 第40-42页 |
| 四、基于规则的分类算法实现 | 第42-43页 |
| 第二节 基于机器学习的反语识别 | 第43-46页 |
| 一、构建特征体系 | 第43-45页 |
| 二、构建分类器 | 第45-46页 |
| 第六章 实例分析 | 第46-57页 |
| 第一节 数据收集 | 第46-47页 |
| 第二节 数据预处理 | 第47-48页 |
| 一、分词 | 第47-48页 |
| 二、词性标注 | 第48页 |
| 第三节 基于规则的方法 | 第48-50页 |
| 一、歇后语规则识别反语 | 第48-49页 |
| 二、违反常识规则识别反语 | 第49-50页 |
| 第四节 各方法的比较 | 第50-57页 |
| 一、反语的特征 | 第51-52页 |
| 二、特征选择 | 第52-55页 |
| 三、不同方法的性能 | 第55-57页 |
| 第七章 总结和展望 | 第57-59页 |
| 第一节 论文总结 | 第57页 |
| 第二节 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 本人在学期间发表的研究成果及获奖情况 | 第64页 |
