一种基于时间窗口的舆情异动量化模型
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 词级的技术 | 第13-14页 |
| 1.2.2 句子情感倾向识别 | 第14-15页 |
| 1.2.3 篇章的倾向性 | 第15-16页 |
| 1.3 舆情预测在金融领域的应用 | 第16-17页 |
| 1.4 主要工作 | 第17-18页 |
| 1.5 本文安排 | 第18-20页 |
| 第2章 情感分析相关概念与技术 | 第20-39页 |
| 2.1 情感分析工作的含义 | 第20页 |
| 2.2 情感分析流程 | 第20-22页 |
| 2.3 原始语料的预处理 | 第22-23页 |
| 2.4 语料文本特征的选择 | 第23-25页 |
| 2.4.1 词频逆文档统计法 | 第23-24页 |
| 2.4.2 文本互信息 | 第24页 |
| 2.4.3 信息增益法 | 第24-25页 |
| 2.4.4 χ2统计(CHI) | 第25页 |
| 2.5 语料文本特征的表示 | 第25-28页 |
| 2.5.1 独热编码(ONE-HOT) | 第26页 |
| 2.5.2 WORD2VEC | 第26-28页 |
| 2.6 情感分析的关键技术 | 第28-39页 |
| 2.6.1 基于用户情感词词典的方式 | 第28-29页 |
| 2.6.2 基于传统机器学习的方法 | 第29-39页 |
| 2.6.2.1 贝叶斯分类器 | 第29-30页 |
| 2.6.2.2 逻辑回归分类器 | 第30-31页 |
| 2.6.2.3 支持向量机分类器 | 第31-34页 |
| 2.6.2.4 决策树分类器 | 第34-36页 |
| 2.6.2.5 基于深度学习的方法 | 第36-39页 |
| 第3章 情感词的自动生成 | 第39-43页 |
| 3.1 通用基础词典 | 第39-40页 |
| 3.2 新词扩充 | 第40页 |
| 3.3 特定领域词典的生成 | 第40-43页 |
| 第4章 舆情异动量化算法 | 第43-47页 |
| 4.1 算法介绍 | 第43-47页 |
| 第5章 实验与分析 | 第47-50页 |
| 5.1 实验数据 | 第47-48页 |
| 5.2 实验结果与分析 | 第48-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 下一步研究 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 作者简介及在校期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
