| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-11页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 课题的背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-22页 |
| 1.2.1 文本情感分析方法的研究 | 第13-14页 |
| 1.2.2 文本分类方法的研究 | 第14-20页 |
| 1.2.3 支持向量机分类方法的研究 | 第20-22页 |
| 1.2.3.1 支持向量机的参数选择研究 | 第20页 |
| 1.2.3.2 支持向量机的核函数研究 | 第20-21页 |
| 1.2.3.3 支持向量机的多核学习研究 | 第21-22页 |
| 1.3 本文的主要研究内容 | 第22页 |
| 1.4 论文的安排 | 第22-24页 |
| 第二章 情感分析与支持向量机相关理论和技术 | 第24-37页 |
| 2.1 引言 | 第24页 |
| 2.2 文本情感分析 | 第24-33页 |
| 2.2.1 文本情感分析的相关问题 | 第24-26页 |
| 2.2.2 文本模型 | 第26-29页 |
| 2.2.2.1 潜在语义分析(LSA) | 第26-27页 |
| 2.2.2.2 概率潜在语义分析(PLSA) | 第27-29页 |
| 2.2.3 文本自动分类技术 | 第29-32页 |
| 2.2.3.1 文本预处理 | 第30页 |
| 2.2.3.2 文本表示 | 第30-31页 |
| 2.2.3.3 文本特征 | 第31-32页 |
| 2.2.4 分类评价标准 | 第32-33页 |
| 2.3 支持向量机(SVM) | 第33-36页 |
| 2.3.1 支持向量机的基本概念 | 第33-35页 |
| 2.3.2 支持向量机的核函数 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 支持向量机的改进 | 第37-60页 |
| 3.1 引言 | 第37页 |
| 3.2 支持向量机的Fisher核函数(FSVM) | 第37-44页 |
| 3.2.1 支持向量机的判别函数求解 | 第37-40页 |
| 3.2.2 Fisher核 | 第40-41页 |
| 3.2.3 基于PLSA的Fisher核函数 | 第41-43页 |
| 3.2.4 基于Fisher核支持向量机的收敛性 | 第43-44页 |
| 3.3 支持向量机的核参数初始化 | 第44-50页 |
| 3.3.1 Fisher判别分析 | 第45-48页 |
| 3.3.2 基于Fisher判别的SVM参数选择 | 第48-49页 |
| 3.3.3 泛化性讨论 | 第49-50页 |
| 3.4 支持向量机的局部多核学习框架 | 第50-55页 |
| 3.4.1 多核学习 | 第50-51页 |
| 3.4.2 基于局部多核学习的特征选择方法 | 第51-54页 |
| 3.4.3 泛化性讨论 | 第54-55页 |
| 3.5 交叉验证的泛化误差界 | 第55-59页 |
| 3.5.1 K-折交叉验证误差 | 第56页 |
| 3.5.2 留一法误差及其意义 | 第56-58页 |
| 3.5.3 留一法误差的估计 | 第58-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第四章 基于概率潜在语义分析的支持向量机文本分析方法 | 第60-76页 |
| 4.1 引言 | 第60页 |
| 4.2 主题模型 | 第60-62页 |
| 4.3 改进的PLSA参数初始化方法 | 第62-67页 |
| 4.3.1 基于潜在语义分析(LSA)的概率模型 | 第62-63页 |
| 4.3.2 LSA和PLSA的比较 | 第63-65页 |
| 4.3.3 基于LSA的PLSA参数初始化方法 | 第65-67页 |
| 4.4 基于PLSA的主题向量推导 | 第67-70页 |
| 4.4.1 EM算法 | 第67-68页 |
| 4.4.2 用EM推导PLSA主题向量 | 第68-70页 |
| 4.5 支持向量机文本情感分析方法 | 第70-75页 |
| 4.5.1 基于PLSA-SVM的文本情感分析 | 第70-72页 |
| 4.5.2 基于PLSA-FSVM的文本情感分析 | 第72-73页 |
| 4.5.3 基于WS-PLSA-FSVM的文本情感分析 | 第73-75页 |
| 4.6 本章小结 | 第75-76页 |
| 第五章 基于支持向量机的文本情感分析的实验与应用 | 第76-107页 |
| 5.1 引言 | 第76页 |
| 5.2 文本情感分析 | 第76-82页 |
| 5.2.1 文本情感分类 | 第77-78页 |
| 5.2.2 实验与应用数据集 | 第78-80页 |
| 5.2.3 数据预处理 | 第80-81页 |
| 5.2.4 验证方法 | 第81-82页 |
| 5.3 基于PLSA-SVM的文本情感分析实验 | 第82-88页 |
| 5.3.1 实验设计 | 第82-84页 |
| 5.3.2 实验结果及分析 | 第84-88页 |
| 5.4 基于PLSA-FSVM的文本情感分析实验 | 第88-94页 |
| 5.4.1 实验设计 | 第88-89页 |
| 5.4.2 主要结果及分析 | 第89-94页 |
| 5.5 基于WS-PLSA-FSVM的文本情感分析实验 | 第94-100页 |
| 5.5.1 实验设计 | 第94-95页 |
| 5.5.2 主要结果及分析 | 第95-100页 |
| 5.6 基于支持向量机的文本情感分析应用实例 | 第100-105页 |
| 5.6.1 研究背景 | 第101-102页 |
| 5.6.2 方案设计 | 第102页 |
| 5.6.3 结果与分析 | 第102-105页 |
| 5.7 本章小结 | 第105-107页 |
| 结论 | 第107-109页 |
| 参考文献 | 第109-117页 |
| 发表文章目录 | 第117-118页 |
| 致谢 | 第118-119页 |
| 中文详细摘要 | 第119-136页 |
