首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--计算机网络论文--一般性问题论文

中文微博细粒度情绪识别研究

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

论文共67页,点击 下载论文
上一篇:基于粗糙集和粒子群优化BP神经网络的故障诊断方法研究
下一篇:社交网络中节点影响力的评价与优化机制研究