| 摘要 | 第7-9页 |
| abstract | 第9-10页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.1.1 教育大数据 | 第11页 |
| 1.1.2 教育数据挖掘分析 | 第11-12页 |
| 1.1.3 学习行为分析 | 第12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14页 |
| 1.3.3 国内外研究综述 | 第14-15页 |
| 1.4 论文框架 | 第15-16页 |
| 2 基础理论及方法 | 第16-26页 |
| 2.1 机器学习 | 第16-18页 |
| 2.1.1 机器学习概述 | 第16页 |
| 2.1.2 支持向量机 | 第16-18页 |
| 2.2 情感分析 | 第18-21页 |
| 2.2.1 情感分析概述 | 第18页 |
| 2.2.2 情感信息分类 | 第18-19页 |
| 2.2.3 情感分析研究层次 | 第19-20页 |
| 2.2.4 课程评论的特性 | 第20-21页 |
| 2.3 文本表示 | 第21页 |
| 2.4 文本特征抽取 | 第21-22页 |
| 2.5 实验资源及工具 | 第22-26页 |
| 3 基于PMI和SVM的在线课程评论文本情感倾向性分析 | 第26-42页 |
| 3.1 数据集建设 | 第26-27页 |
| 3.2 文本处理 | 第27-29页 |
| 3.3 基于PMI算法的在线课程评论文本情感倾向性算法 | 第29-30页 |
| 3.4 基于SVM的在线课程评论文本情感倾向性算法 | 第30-34页 |
| 3.4.1 基于SVM的在线课程评论文本分析流程 | 第30-33页 |
| 3.4.2 SVM的非线性可分算法描述 | 第33-34页 |
| 3.5 实验设计与分析 | 第34-42页 |
| 3.5.1 实验数据集 | 第34-36页 |
| 3.5.2 实验评价方法 | 第36页 |
| 3.5.3 实验设计 | 第36-39页 |
| 3.5.4 实验结果 | 第39-42页 |
| 4 在线课程评论文本情感倾向性分析的优化 | 第42-55页 |
| 4.1 问题描述 | 第42-43页 |
| 4.2 研究方案 | 第43-45页 |
| 4.2.1 停用词处理 | 第43-44页 |
| 4.2.2 否定词分析 | 第44页 |
| 4.2.3 RBF核函数 | 第44-45页 |
| 4.3 实验设计与分析 | 第45-55页 |
| 4.3.1 实验数据集 | 第45-47页 |
| 4.3.2 实验设计 | 第47-52页 |
| 4.3.3 实验结果 | 第52-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
