| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究的背景和意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究的意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 情感分析研究现状 | 第12-15页 |
| 1.2.2 评论有用性研究现状 | 第15页 |
| 1.3 本文研究内容简介 | 第15-17页 |
| 1.3.1 情感词词典的建立与完备 | 第16页 |
| 1.3.2 基于机器学习的情感分析 | 第16页 |
| 1.3.3 评论有用性的分析 | 第16-17页 |
| 1.4 小结 | 第17-18页 |
| 2 相关理论和技术介绍 | 第18-27页 |
| 2.1 获取数据 | 第18-19页 |
| 2.2 数据预处理 | 第19-20页 |
| 2.2.1 分词 | 第19页 |
| 2.2.2 去停用词 | 第19-20页 |
| 2.3 特征选择 | 第20-22页 |
| 2.3.1 词袋模型 | 第20页 |
| 2.3.2 N-gram模型 | 第20-21页 |
| 2.3.3 TF-IDF模型 | 第21页 |
| 2.3.4 卡方检验(Chi-square) | 第21页 |
| 2.3.5 信息增益(InformationEntropy) | 第21-22页 |
| 2.3.6 互信息(PMI) | 第22页 |
| 2.4 算法分类器 | 第22-25页 |
| 2.4.1 贝叶斯 | 第22-24页 |
| 2.4.2 支持向量机(SVM) | 第24-25页 |
| 2.4.3 逻辑回归 | 第25页 |
| 2.5 word2vec简介 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于情感词典的情感分析 | 第27-34页 |
| 3.1 情感词典的构建 | 第27-29页 |
| 3.1.1 构建情感倾向词典 | 第27页 |
| 3.1.2 构建否定词词典 | 第27-28页 |
| 3.1.3 构建情感强度副词词典 | 第28页 |
| 3.1.4 网络用语词典 | 第28-29页 |
| 3.2 基于SO_PMI计算模型 | 第29-30页 |
| 3.3 基于SO_PMI改进的计算模型 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于机器学习的情感分析 | 第34-42页 |
| 4.1 实验文本预处理 | 第34-36页 |
| 4.2 实验数据情感标注 | 第36-37页 |
| 4.3 特征表示 | 第37页 |
| 4.4 特征选取 | 第37-38页 |
| 4.5 实验结果及分析 | 第38-41页 |
| 4.5.1 朴素贝叶斯类表现 | 第39页 |
| 4.5.2 三种机器学习算法在不同维度分类表现 | 第39-40页 |
| 4.5.3 使用多项式贝叶斯分类模型情感分析 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 5 基于商品属性词典的评论的有用性分析 | 第42-52页 |
| 5.1 建立评论有用性模型 | 第42-45页 |
| 5.2 产品属性计算模型 | 第45-48页 |
| 5.2.1 产品属性权重 | 第45-48页 |
| 5.3 评论有用性预测 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 研究结论与展望 | 第52-54页 |
| 6.1 研究主要结论 | 第52-53页 |
| 6.2 研究中的不足与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士期间发表的学术论文 | 第59页 |