网购用户评论中隐式评价对象的提取方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-22页 |
| 1.1 问题的提出 | 第12-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 研究现状 | 第15-19页 |
| 1.3.1 情感分析 | 第15-16页 |
| 1.3.2 显式评价对象抽取方法 | 第16-18页 |
| 1.3.3 隐式评价对象识别方法 | 第18-19页 |
| 1.4 研究内容及优势分析 | 第19-20页 |
| 1.4.1 研究内容 | 第19-20页 |
| 1.4.2 优势分析 | 第20页 |
| 1.5 论文安排 | 第20-22页 |
| 2 文本分类相关技术研究 | 第22-31页 |
| 2.1 文本分词 | 第23页 |
| 2.2 特征选择 | 第23-25页 |
| 2.3 文本表示 | 第25-26页 |
| 2.3.1 布尔模型 | 第25页 |
| 2.3.2 概率模型 | 第25-26页 |
| 2.3.3 向量空间模型 | 第26页 |
| 2.4 文本分类算法 | 第26-29页 |
| 2.4.1 朴素贝叶斯分类算法 | 第26-27页 |
| 2.4.2 支持向量机算法 | 第27-28页 |
| 2.4.3 K-近邻算法 | 第28页 |
| 2.4.4 决策树 | 第28-29页 |
| 2.4.5 神经网络 | 第29页 |
| 2.4.6 基于关联规则的分类算法 | 第29页 |
| 2.5 分类性能评估方法 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 数据预处理 | 第31-49页 |
| 3.1 实验数据 | 第31-32页 |
| 3.2 文本分词 | 第32-35页 |
| 3.3 文本向量化表示 | 第35-37页 |
| 3.4 基于模拟退火的粒子群优化算法的特征选择 | 第37-43页 |
| 3.4.1 粒子群算法 | 第37-39页 |
| 3.4.2 模拟退火算法 | 第39-40页 |
| 3.4.3 基于模拟退火的粒子群优化算法 | 第40-43页 |
| 3.5 实验结果及分析 | 第43-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4 基于SA-FCM算法的显式评价句的聚类分析 | 第49-59页 |
| 4.1 FCM算法 | 第49-53页 |
| 4.1.1 隶属度函数 | 第49-50页 |
| 4.1.2 FCM算法 | 第50-53页 |
| 4.2 SA-FCM算法 | 第53-55页 |
| 4.3 实验结果及分析 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 基于关联规则的隐式评价对象的提取研究 | 第59-69页 |
| 5.1 基于关联规则的文本关联分类 | 第59-64页 |
| 5.1.1 关联规则 | 第59-60页 |
| 5.1.2 文本关联分类 | 第60-61页 |
| 5.1.3 剪枝策略 | 第61-64页 |
| 5.2 实验结果及分析 | 第64-68页 |
| 5.2.1 文本关联分类结果 | 第64-66页 |
| 5.2.2 分类性能评估 | 第66-67页 |
| 5.2.3 文本分类算法的选择分析 | 第67-68页 |
| 5.3 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 研究工作总结 | 第69-70页 |
| 6.2 未来展望 | 第70页 |
| 6.3 研究成果应用 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录A | 第75-78页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第78-80页 |
| 学位论文数据集 | 第80页 |
