摘要 | 第7-9页 |
ABSTRACT | 第9-11页 |
第一章 绪论 | 第14-21页 |
1.1 研究背景和研究意义 | 第14-15页 |
1.2 微博简介 | 第15-16页 |
1.3 研究现状 | 第16-19页 |
1.4 主要研究内容 | 第19-20页 |
1.5 论文组织结构 | 第20-21页 |
第二章 相关理论与技术 | 第21-33页 |
2.1 文本预处理 | 第21-23页 |
2.1.1 中文分词 | 第21-22页 |
2.1.2 词性标注 | 第22-23页 |
2.2 特征选择算法 | 第23-24页 |
2.2.1 词频 | 第23-24页 |
2.2.2 卡方检验 | 第24页 |
2.3 距离测度 | 第24-26页 |
2.3.1 欧氏距离 | 第24-25页 |
2.3.2 余弦距离 | 第25-26页 |
2.3.3 皮尔逊距离 | 第26页 |
2.4 文本分类算法 | 第26-30页 |
2.4.1 朴素贝叶斯分类器 NB | 第27-28页 |
2.4.2 K-最近邻分类器 KNN | 第28页 |
2.4.3 支持向量机 SVM | 第28-30页 |
2.5 大连理工情感词汇本体 | 第30-31页 |
2.6 本章小结 | 第31-33页 |
第三章 多策略中文微博细粒度情绪分析 | 第33-50页 |
3.1 中文微博情感特征 | 第33-34页 |
3.1.1 情感词特征 | 第33页 |
3.1.2 词性特征 | 第33-34页 |
3.1.3 表情符 | 第34页 |
3.2 中文微博细粒度情绪分析框架 | 第34-35页 |
3.3 中文微博语料预处理 | 第35-37页 |
3.3.1 构建自定义情绪词典 | 第35-36页 |
3.3.2 自定义停用词典 | 第36页 |
3.3.3 分词与词性标注 | 第36-37页 |
3.4 中文微博有无情绪分类 | 第37-43页 |
3.4.1 词特征和词性特征选择 | 第37-39页 |
3.4.2 基于迭代的朴素贝叶斯有无情绪分类 | 第39-43页 |
3.5 中文微博细粒度情绪分析 | 第43-49页 |
3.5.1 细粒度情绪特征表示及权值计算 | 第43-46页 |
3.5.2 基于支持向量机的细粒度情绪分析 | 第46-47页 |
3.5.3 基于 K-最近邻的细粒度情绪分析 | 第47-49页 |
3.6 本章小结 | 第49-50页 |
第四章 实验结果与分析 | 第50-60页 |
4.1 实验语料与实验环境 | 第50-53页 |
4.1.1 实验语料 | 第50-51页 |
4.1.2 实验环境 | 第51-53页 |
4.2 实验设计与分析 | 第53-59页 |
4.2.1 基于迭代的朴素贝叶斯算法效果 | 第53-54页 |
4.2.2 特征权重α对实验结果的影响 | 第54页 |
4.2.3 SVM 惩罚因子 c 对分类性能的影响 | 第54-55页 |
4.2.4 KNN 中距离度量和 K 值对分类性能的影响 | 第55-56页 |
4.2.5 多策略情绪识别结果 | 第56-59页 |
4.3 本章小结 | 第59-60页 |
第五章 总结与展望 | 第60-62页 |
5.1 本文的主要工作 | 第60-61页 |
5.2 今后研究工作展望 | 第61-62页 |
参考文献 | 第62-66页 |
成果目录 | 第66-67页 |
致谢 | 第67页 |