面向互联网中文舆情信息的情感倾向分析
| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第12-24页 |
| ·研究背景 | 第12-14页 |
| ·国内外研究现状 | 第14-20页 |
| ·情感倾向分析方法研究方面 | 第14-18页 |
| ·情感词典构建方面 | 第18-19页 |
| ·情感倾向分析的语料 | 第19-20页 |
| ·情感倾向分析系统 | 第20页 |
| ·相关工作中存在的主要问题 | 第20-21页 |
| ·本文的工作和论文结构 | 第21-24页 |
| ·本文的主要工作 | 第21-22页 |
| ·本文的组织结构 | 第22-24页 |
| 第二章 情感倾向分析的技术基础 | 第24-41页 |
| ·概述 | 第24-26页 |
| ·文本预处理 | 第26-27页 |
| ·信息提取 | 第26页 |
| ·中文分词 | 第26页 |
| ·信息过滤 | 第26-27页 |
| ·文本表示模型 | 第27-28页 |
| ·布尔模型 | 第27页 |
| ·向量空间模型 | 第27-28页 |
| ·概率模型 | 第28页 |
| ·文本特征选择 | 第28-32页 |
| ·文本特征选择 | 第28-31页 |
| ·文本特征权重计算 | 第31-32页 |
| ·文本分类器 | 第32-36页 |
| ·基于朴素贝叶斯分类器 | 第32-33页 |
| ·基于支持向量机的分类器 | 第33-34页 |
| ·基于KNN 分类器 | 第34-35页 |
| ·基于最大熵的分类器 | 第35-36页 |
| ·分类评价标准 | 第36-39页 |
| ·准确率、召回率和F 值 | 第37-38页 |
| ·微平均和宏平均 | 第38-39页 |
| ·BEP（Break-Even Point） | 第39页 |
| ·本章小结 | 第39-41页 |
| 第三章 基于聚类的垃圾评论检测 | 第41-52页 |
| ·信息获取 | 第41-43页 |
| ·网络爬虫 | 第41-42页 |
| ·网页信息提取 | 第42-43页 |
| ·文本预处理 | 第43-45页 |
| ·中文分词 | 第43-44页 |
| ·停用词过滤 | 第44-45页 |
| ·信息过滤 | 第45-48页 |
| ·评论数据表示 | 第45-47页 |
| ·聚类算法 | 第47页 |
| ·垃圾评论检测 | 第47-48页 |
| ·实验及结果分析 | 第48-51页 |
| ·实验数据 | 第48页 |
| ·实验环境 | 第48页 |
| ·性能评估 | 第48-49页 |
| ·实验结果分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 基于特征分类的情感倾向分析 | 第52-73页 |
| ·相关工作 | 第52-57页 |
| ·特征选择 | 第52-54页 |
| ·非负矩阵分解 | 第54-57页 |
| ·基于非负矩阵分解的特征选择 | 第57-63页 |
| ·目标函数 | 第58-60页 |
| ·迭代规则 | 第60-63页 |
| ·特征选择 | 第63页 |
| ·基于特征分类的情感倾向分析 | 第63-67页 |
| ·建立概念语义空间 | 第64-65页 |
| ·在语义空间的投影 | 第65页 |
| ·情感倾向分析 | 第65-67页 |
| ·关于基的个数r 的讨论 | 第67页 |
| ·实验结果及分析 | 第67-72页 |
| ·实验数据集 | 第67-68页 |
| ·实验结果 | 第68-71页 |
| ·实验分析 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第五章 结论 | 第73-75页 |
| ·主要工作与创新点 | 第73-74页 |
| ·进一步的研究工作 | 第74-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-84页 |
| 作者在学期间取得的学术成果 | 第84-85页 |
| 附录 A 引理证明 | 第85-88页 |
| 附录 B 实验结果 | 第88-89页 |
