社会媒体中产品评论的可信度预测方法与应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外相关研究和综述 | 第10-14页 |
| 1.2.1 文本情感分析 | 第10-12页 |
| 1.2.2 评论可信度预测 | 第12-13页 |
| 1.2.3 在线学习算法 | 第13-14页 |
| 1.3 问题的总结与分析 | 第14页 |
| 1.4 本文主要工作 | 第14-15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第2章 文本分类与可信度计算相关基础 | 第17-26页 |
| 2.1 文本表示与可信度计算 | 第17-20页 |
| 2.1.1 词袋模型 | 第17-18页 |
| 2.1.2 词向量模型 | 第18-20页 |
| 2.1.3 评论文本表示 | 第20页 |
| 2.1.4 可信度计算 | 第20页 |
| 2.2 特征选择方法 | 第20-22页 |
| 2.2.1 卡方检验 | 第20-21页 |
| 2.2.2 互信息法 | 第21页 |
| 2.2.3 递归特征消除法 | 第21-22页 |
| 2.2.4 费希尔线性判别 | 第22页 |
| 2.3 文本分类 | 第22-23页 |
| 2.3.1 普通文本分类 | 第22-23页 |
| 2.3.2 短文本分类 | 第23页 |
| 2.4 评价指标选取 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 面向产品评论可信度预测的特征选择方法 | 第26-41页 |
| 3.1 产品评论信息可信度预测问题 | 第26页 |
| 3.2 产品评论可信度相关特征获取 | 第26-30页 |
| 3.2.1 产品评论内容分析 | 第26-27页 |
| 3.2.2 产品评论的统计特征 | 第27-28页 |
| 3.2.3 产品评论的语义特征 | 第28-29页 |
| 3.2.4 产品评论的元信息特征 | 第29-30页 |
| 3.3 特征选择算法设计 | 第30-34页 |
| 3.3.1 特征选择思路 | 第30-31页 |
| 3.3.2 算法设计 | 第31-34页 |
| 3.4 实验结果与分析 | 第34-40页 |
| 3.4.1 实验平台与数据 | 第34页 |
| 3.4.2 实验结果与分析 | 第34-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于在线学习的产品评论可信度预测方法 | 第41-51页 |
| 4.1 引言 | 第41-42页 |
| 4.2 在线学习算法 | 第42页 |
| 4.3 算法分析与设计 | 第42-46页 |
| 4.3.1 算法思想 | 第42-43页 |
| 4.3.2 算法设计 | 第43-45页 |
| 4.3.3 算法分析 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-50页 |
| 4.4.1 实验设计和实验数据 | 第46-47页 |
| 4.4.2 实验结果与分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 产品评论可信度预测应用系统 | 第51-57页 |
| 5.1 系统开发环境与功能介绍 | 第51-52页 |
| 5.2 系统总体设计 | 第52-54页 |
| 5.3 系统模块详细设计 | 第54-56页 |
| 5.3.1 产品评论的可信度预测特征提取 | 第54-55页 |
| 5.3.2 产品评论可信度预测模型 | 第55-56页 |
| 5.4 系统应用 | 第56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录A | 第62-64页 |
| 致谢 | 第64页 |
