社交媒体中基于上下文感知的用户情感分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究现状 | 第13-19页 |
| 1.2.1 图片视觉特征表示 | 第14-16页 |
| 1.2.2 基于多模态内容的情感分析 | 第16-17页 |
| 1.2.3 基于上下文的情感分析 | 第17-18页 |
| 1.2.4 研究现状总结 | 第18-19页 |
| 1.3 本文主要工作 | 第19-21页 |
| 1.3.1 研究目标 | 第19-20页 |
| 1.3.2 研究内容 | 第20-21页 |
| 1.4 本文的组织结构 | 第21-23页 |
| 第二章 相关背景知识概述 | 第23-33页 |
| 2.1 主题模型相关技术 | 第23-28页 |
| 2.1.1 贝叶斯网络 | 第23-24页 |
| 2.1.2 共轭先验 | 第24-26页 |
| 2.1.3 MCMC方法与吉布斯采样 | 第26-28页 |
| 2.2 主题模型 | 第28-31页 |
| 2.2.1 LDA主题模型 | 第28-29页 |
| 2.2.2 LDA参数估计 | 第29-31页 |
| 2.3 视觉词袋模型 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 数据获取与处理分析 | 第33-41页 |
| 3.1 数据获取 | 第33-34页 |
| 3.2 数据预处理 | 第34-37页 |
| 3.2.1 文本内容预处理 | 第34-36页 |
| 3.2.2 图片视觉词袋特征量化 | 第36-37页 |
| 3.3 数据集分析 | 第37-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于上下文的用户情感分析模型构建 | 第41-51页 |
| 4.1 基于上下文的用户情感分析主题模型构建 | 第41-46页 |
| 4.1.1 模型基本思想 | 第41-43页 |
| 4.1.2 模型描述及结构 | 第43-46页 |
| 4.2 用户情感分析模型联合概率分布 | 第46-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 用户情感分析模型参数估计 | 第51-63页 |
| 5.1 模型统计推断 | 第51-59页 |
| 5.1.1 变量采样公式推导 | 第52-58页 |
| 5.1.2 参数更新规则 | 第58-59页 |
| 5.2 模型参数估计算法 | 第59-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 实验设计及结果分析 | 第63-75页 |
| 6.1 实验目的与实验环境 | 第63页 |
| 6.1.1 实验目的 | 第63页 |
| 6.1.2 实验环境 | 第63页 |
| 6.2 实验设计 | 第63-70页 |
| 6.2.1 数据标注 | 第63-64页 |
| 6.2.2 评价指标 | 第64-66页 |
| 6.2.3 情感先验词典构造 | 第66-67页 |
| 6.2.4 对比算法 | 第67-69页 |
| 6.2.5 参数设置 | 第69-70页 |
| 6.3 实验结果及分析 | 第70-74页 |
| 6.3.1 情感分析算法效果对比分析 | 第70-72页 |
| 6.3.2 上下文信息贡献对比分析 | 第72-73页 |
| 6.3.3 模型误判错误分析 | 第73-74页 |
| 6.4 本章小结 | 第74-75页 |
| 第七章 原型系统设计与实现 | 第75-85页 |
| 7.1 原型系统设计 | 第75-76页 |
| 7.2 开发环境 | 第76-77页 |
| 7.3 原型系统实现 | 第77-84页 |
| 7.3.1 支撑技术 | 第77页 |
| 7.3.2 数据库设计 | 第77-78页 |
| 7.3.3 实现细节 | 第78-82页 |
| 7.3.4 系统展示 | 第82-84页 |
| 7.4 本章小结 | 第84-85页 |
| 第八章 总结与展望 | 第85-87页 |
| 8.1 工作总结 | 第85-86页 |
| 8.2 研究展望 | 第86-87页 |
| 致谢 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 作者简介 | 第93页 |
