基于TH-LDA模型的中文微博热点事件检测及情感分析
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 微博热点事件检测研究现状 | 第10-11页 |
| 1.2.2 微博情感分析研究现状 | 第11-12页 |
| 1.3 目前研究成果的不足 | 第12-13页 |
| 1.4 论文研究的主要内容 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 第2章 相关概念及技术 | 第15-29页 |
| 2.1 微博简介及特征 | 第15-16页 |
| 2.1.1 微博简介 | 第15页 |
| 2.1.2 微博的特征 | 第15-16页 |
| 2.2 文本预处理 | 第16-18页 |
| 2.2.1 数据清理 | 第16-17页 |
| 2.2.2 分词、词性标注 | 第17-18页 |
| 2.2.3 去除停用词 | 第18页 |
| 2.3 微博热点事件检测技术 | 第18-23页 |
| 2.3.1 文本表示模型 | 第18-20页 |
| 2.3.2 文本间相似性度量准则 | 第20-21页 |
| 2.3.3 主题模型 | 第21-23页 |
| 2.4 微博情感分析方法 | 第23-27页 |
| 2.4.1 基于情感知识的方法 | 第23页 |
| 2.4.2 机器学习的方法 | 第23-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 TH-LDA模型的研究及微博热点事件检测 | 第29-41页 |
| 3.1 标签的引入 | 第29-32页 |
| 3.2 TH-LDA模型的建立 | 第32-34页 |
| 3.3 基于TH-LDA模型的热点事件检测 | 第34页 |
| 3.4 实验与结果分析 | 第34-40页 |
| 3.4.1 实验数据集 | 第35页 |
| 3.4.2 参数设置 | 第35-36页 |
| 3.4.3 实验与结果分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 网络流行语词典构建及微博情感分析 | 第41-59页 |
| 4.1 情感词典的构建 | 第41-48页 |
| 4.1.1 基础情感词典 | 第41-42页 |
| 4.1.2 网络流行语词典 | 第42-46页 |
| 4.1.3 修饰词词典 | 第46页 |
| 4.1.4 表情符号词典 | 第46-48页 |
| 4.2 基于词典和网络流行情感极性特征的情感分析 | 第48-51页 |
| 4.2.1 网络流行语情感极性矫正 | 第48页 |
| 4.2.2 基于词典和网络流行语特征的情感分析 | 第48-51页 |
| 4.3 实验与结果分析 | 第51-57页 |
| 4.3.1 实验数据集 | 第51-53页 |
| 4.3.2 实验性能评估指标 | 第53页 |
| 4.3.3 结果及分析 | 第53-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59页 |
| 5.2 未来工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士学位期间公开发表的论文 | 第67页 |
