基于网络的专家观点自动分类及提取研究--以轿车专家评论为例
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第10-13页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的及意义 | 第11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 论文特色与创新之处 | 第12-13页 |
| 第2章 研究内容和技术路线 | 第13-17页 |
| 2.1 研究内容 | 第13页 |
| 2.2 研究的技术路线 | 第13-15页 |
| 2.3 研究采用的技术与方法 | 第15-17页 |
| 2.3.1 网络爬虫技术 | 第15-16页 |
| 2.3.2 自然语言处理技术 | 第16页 |
| 2.3.3 分词工具 | 第16-17页 |
| 第3章 数据获取及预处理 | 第17-28页 |
| 3.1 数据来源选取与整理 | 第17页 |
| 3.2 数据预处理 | 第17-18页 |
| 3.3 汽车参数的选择 | 第18-22页 |
| 3.4 专家观点筛选标准建立 | 第22-26页 |
| 3.4.1 筛选变量选取 | 第22-23页 |
| 3.4.2 专家观点筛选公式 | 第23-25页 |
| 3.4.3 数据整理 | 第25-26页 |
| 3.5 本章小结 | 第26-28页 |
| 第4章 基于情感分析方法的专家观点量化测度 | 第28-34页 |
| 4.1 量化过程综述 | 第28页 |
| 4.2 建立汽车领域适用词库 | 第28-30页 |
| 4.2.1 构建情感词库 | 第28-29页 |
| 4.2.2 构建情感词典 | 第29页 |
| 4.2.3 构建实体词表 | 第29-30页 |
| 4.3 量化流程说明 | 第30-33页 |
| 4.4 本章小结 | 第33-34页 |
| 第5章 网络的专家观点分类研究 | 第34-40页 |
| 5.1 数据处理 | 第34-35页 |
| 5.1.1 缺失值处理 | 第34页 |
| 5.1.2 合并同人同车得分 | 第34页 |
| 5.1.3 消除个人主观因素影响 | 第34-35页 |
| 5.2 聚类方法选择及结果展示 | 第35-37页 |
| 5.2.1 k-means聚类法 | 第35-37页 |
| 5.2.2 FCM模糊聚类法 | 第37页 |
| 5.3 类别特征归纳 | 第37-38页 |
| 5.4 本章小结 | 第38-40页 |
| 第6章 专家观点类别特征提取及汇集 | 第40-55页 |
| 6.1 不同类别文章观点提取 | 第40-50页 |
| 6.1.1 各派系整体得分情况分析 | 第40-41页 |
| 6.1.2 德系汽车得分情况分析 | 第41-43页 |
| 6.1.3 法系汽车得分情况分析 | 第43-44页 |
| 6.1.4 美系汽车得分情况分析 | 第44-46页 |
| 6.1.5 日系汽车得分情况分析 | 第46-48页 |
| 6.1.6 小结 | 第48-50页 |
| 6.2 类别特征汇集及公式确定 | 第50-54页 |
| 6.2.1 汇集思路及方法 | 第50-51页 |
| 6.2.2 综合得分展示 | 第51-54页 |
| 6.3 本章小结 | 第54-55页 |
| 结论及建议 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 附录A 各车型文章个数统计表 | 第59-60页 |
| 附录B 十七款车型得分雷达图及条形图 | 第60-67页 |
| 附录C 爬虫代码 | 第67-71页 |
| 附录D 词频统计及LDA主题模型代码 | 第71-74页 |
| 致谢 | 第74-75页 |
