| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-15页 |
| ·课题研究背景和研究意义 | 第12页 |
| ·课题的国内外研究现状 | 第12-14页 |
| ·本文的研究内容 | 第14页 |
| ·论文内容简介 | 第14-15页 |
| 第2章 相关理论 | 第15-28页 |
| ·文本倾向性分析概述 | 第15-16页 |
| ·分离主客观文本 | 第16页 |
| ·文本倾向性分析方法 | 第16-25页 |
| ·情感项倾向值的计算 | 第17-18页 |
| ·基于简单统计的倾向性分类 | 第18页 |
| ·基于机器学习的文本倾向性分类 | 第18-25页 |
| ·基于相关性的文本倾向性分类方法 | 第25页 |
| ·语料数据库的建设 | 第25-26页 |
| ·现有的系统和评测机构 | 第26页 |
| ·本章小结 | 第26-28页 |
| 第3章 支持向量机 | 第28-45页 |
| ·机器学习 | 第28-30页 |
| ·机器学习的模型和目标 | 第28-29页 |
| ·经验风险最小化 | 第29-30页 |
| ·统计学习理论 | 第30-34页 |
| ·学习过程一致性条件 | 第30-32页 |
| ·生长函数的性质与VC维 | 第32页 |
| ·推广性的界 | 第32-33页 |
| ·结构风险最小化 | 第33-34页 |
| ·支持向量机 | 第34-39页 |
| ·支持向量机(SVM)定义 | 第34-35页 |
| ·最优分类面 | 第35-36页 |
| ·线性可分支持向量机 | 第36-37页 |
| ·非线性支持向量机 | 第37-38页 |
| ·不可分情况的处理 | 第38-39页 |
| ·支持向量机核函数理论 | 第39-43页 |
| ·核函数的性质和作用 | 第39-42页 |
| ·常用核函数 | 第42-43页 |
| ·支持向量机在文本倾向性分类中的应用 | 第43页 |
| ·本章小结 | 第43-45页 |
| 第4章 基于组合核函数的支持向量机在文本倾向性分类中的应用 | 第45-62页 |
| ·核函数的选择 | 第45-50页 |
| ·局部核函数 | 第45-48页 |
| ·全局核函数 | 第48-50页 |
| ·组合核函数构造 | 第50-56页 |
| ·组合核函数模型构造 | 第50-51页 |
| ·组合核函数矩阵构造 | 第51-53页 |
| ·组合核函数支持向量机参数优化 | 第53-55页 |
| ·实验结果及分析 | 第55-56页 |
| ·基于组合核函数的支持向量机的文本倾向性分类算法 | 第56-61页 |
| ·算法描述 | 第56-58页 |
| ·算法的仿真实验与分析 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 附录A 攻读硕士期间发表的学术论文 | 第69页 |