网络舆情的倾向性分析及应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 网络舆情的研究现状 | 第12-13页 |
| 1.2.2 机器学习算法的研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 本文结构安排 | 第14-16页 |
| 第二章 相关理论与技术基础 | 第16-21页 |
| 2.1 网络舆情分析主要技术 | 第16-17页 |
| 2.1.1 信息采集与提取 | 第16页 |
| 2.1.2 话题发现与跟踪 | 第16-17页 |
| 2.1.3 文本倾向性分析 | 第17页 |
| 2.1.4 多文档自动摘要 | 第17页 |
| 2.2 文本倾向性分析技术 | 第17-19页 |
| 2.2.1 基于语义的倾向性分析技术 | 第17-18页 |
| 2.2.2 基于机器学习的倾向性分析技术 | 第18-19页 |
| 2.3 分类算法评价指标 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 舆情倾向性分析技术研究 | 第21-40页 |
| 3.1 监督学习算法研究 | 第21-28页 |
| 3.1.1 朴素贝叶斯算法 | 第21-23页 |
| 3.1.2 支持向量机算法 | 第23-26页 |
| 3.1.3 K最近邻算法 | 第26-28页 |
| 3.2 主动学习算法研究 | 第28-30页 |
| 3.3 半监督学习算法研究 | 第30-33页 |
| 3.3.1 协同训练算法 | 第30-31页 |
| 3.3.2 标签传播算法 | 第31-33页 |
| 3.4 实验及结果分析 | 第33-39页 |
| 3.4.1 监督学习算法实验及结果分析 | 第33-36页 |
| 3.4.2 主动学习算法实验及结果分析 | 第36-37页 |
| 3.4.3 半监督学习算法实验及结果分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 舆情倾向性分析系统的分析与设计 | 第40-58页 |
| 4.1 系统需求分析 | 第40-42页 |
| 4.2 系统总体框架设计 | 第42-46页 |
| 4.3 系统功能模块设计 | 第46-57页 |
| 4.3.1 系统数据库的搭建 | 第46-48页 |
| 4.3.2 数据预处理模块设计 | 第48-53页 |
| 4.3.2.1 文本分词 | 第50-51页 |
| 4.3.2.2 特征选择 | 第51-53页 |
| 4.3.3 舆情倾向性分析处理模块设计 | 第53-56页 |
| 4.3.3.1 标签传播算法 | 第54-55页 |
| 4.3.3.2 朴素贝叶斯算法 | 第55-56页 |
| 4.3.4 结果显示模块设计 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 网络舆情倾向性分析系统的实现 | 第58-68页 |
| 5.1 系统实现环境 | 第58页 |
| 5.2 系统功能模块实现 | 第58-65页 |
| 5.2.1 系统数据的爬取 | 第58页 |
| 5.2.2 数据预处理模块实现 | 第58-63页 |
| 5.2.3 舆情倾向性分析模块实现 | 第63-65页 |
| 5.2.3.1 标签传播算法 | 第63-64页 |
| 5.2.3.2 朴素贝叶斯算法 | 第64-65页 |
| 5.3 系统数据的录入与存储实现 | 第65-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 系统测试 | 第68-73页 |
| 6.1 系统录入界面展示 | 第68-69页 |
| 6.2 系统算法功能展示 | 第69-71页 |
| 6.3 系统结果分析 | 第71-72页 |
| 6.4 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 本文工作总结 | 第73页 |
| 7.2 未来工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 攻硕期间取得的研究成果 | 第79-80页 |
