基于微博话题评论的情感分析研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景与来源 | 第8-9页 |
| 1.2 与本课题相关的国内外研究情况 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本课题研究的主要内容 | 第11-12页 |
| 第2章 情感分析系统的需求分析和关键技术 | 第12-26页 |
| 2.1 情感分析系统功能性需求分析 | 第12-13页 |
| 2.1.1 功能需求 | 第12-13页 |
| 2.1.2 非功能需求 | 第13页 |
| 2.2 微博文本情感分析的关键技术 | 第13页 |
| 2.3 文本表示方法 | 第13-14页 |
| 2.4 常用分类算法 | 第14-16页 |
| 2.4.1 支持向量机简介 | 第14-15页 |
| 2.4.2 SVM核函数 | 第15-16页 |
| 2.5 神经网络 | 第16-20页 |
| 2.5.1 神经网络模型 | 第16-18页 |
| 2.5.2 反向传播算法 | 第18-20页 |
| 2.6 卷积神经网络模型 | 第20-22页 |
| 2.6.1 卷积层 | 第20-22页 |
| 2.6.2 采样层 | 第22页 |
| 2.7 循环神经网络模型 | 第22-25页 |
| 2.7.1 循环神经网络 | 第22-23页 |
| 2.7.2 长短期记忆网络（LSTM） | 第23-25页 |
| 2.8 本章小结 | 第25-26页 |
| 第3章 微博评论情感分析系统设计 | 第26-38页 |
| 3.1 情感分析系统总体设计 | 第26-28页 |
| 3.1.1 情感分析系统网络结构设计 | 第26页 |
| 3.1.2 情感分析系统架构设计 | 第26-27页 |
| 3.1.3 情感分析系统功能结构设计 | 第27-28页 |
| 3.2 情感分析系统详细设计 | 第28-37页 |
| 3.2.1 微博爬虫模块设计 | 第28-30页 |
| 3.2.2 情感分析系统数据库设计 | 第30-32页 |
| 3.2.3 微博文本处理与表示模块设计 | 第32-36页 |
| 3.2.4 微博情感分类模块设计 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 微博情感分析系统的实现 | 第38-51页 |
| 4.1 微博爬虫模块实现 | 第38-39页 |
| 4.2 数据处理模块实现 | 第39-41页 |
| 4.2.1 数据清洗 | 第39页 |
| 4.2.2 分词 | 第39-40页 |
| 4.2.3 word2vec训练 | 第40-41页 |
| 4.3 分类模块实现 | 第41-48页 |
| 4.3.1 基于SVM的微博情感分析模块实现 | 第41-42页 |
| 4.3.2 基于CNN的微博情感分析模块实现 | 第42-45页 |
| 4.3.3 基于LSTM的微博情感分析模块实现 | 第45-48页 |
| 4.4 代价函数 | 第48页 |
| 4.5 拟合问题与正则化 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 系统测试与结果分析 | 第51-59页 |
| 5.1 引言 | 第51页 |
| 5.2 测试环境 | 第51页 |
| 5.3 功能性测试 | 第51-54页 |
| 5.3.1 测试数据 | 第51-52页 |
| 5.3.2 评价方法 | 第52页 |
| 5.3.3 测试结果与分析 | 第52-54页 |
| 5.4 非功能性测试 | 第54-55页 |
| 5.5 模型选用以及系统应用 | 第55-58页 |
| 5.5.1 模型选用 | 第55页 |
| 5.5.2 系统应用 | 第55-58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 个人简历 | 第66页 |
