摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第10-20页 |
第一节 研究背景和意义 | 第10-12页 |
一、研究背景 | 第10-11页 |
二、研究意义 | 第11-12页 |
第二节 UGC情感分析现状综述 | 第12-17页 |
一、用户生成内容的研究 | 第12-13页 |
二、情感词语的极性和权重计算研究 | 第13-15页 |
三、文本情感分析研究 | 第15-16页 |
四、UGC情感分析研究 | 第16-17页 |
第三节 论文的主要研究内容和创新点 | 第17-19页 |
一、论文的主要研究内容 | 第17-18页 |
二、论文的创新点 | 第18-19页 |
第四节 论文的组织结构 | 第19-20页 |
第二章 相关理论与方法 | 第20-32页 |
第一节 用户生成内容 | 第20-21页 |
第二节 文本预处理 | 第21-24页 |
一、文本分词 | 第21-22页 |
二、停用词处理 | 第22页 |
三、词性标注 | 第22-23页 |
四、jieba分词包 | 第23-24页 |
第三节 情感分析 | 第24-29页 |
一、基于情感词典的情感分析方法 | 第24-25页 |
二、基于机器学习的方法 | 第25-27页 |
三、支持向量机多分类方法 | 第27-29页 |
第四节 模糊综合评价方法 | 第29-30页 |
第五节 实验评价方法 | 第30-31页 |
第六节 本章小结 | 第31-32页 |
第三章 基于情感词典的评论信息情感分析方法 | 第32-51页 |
第一节 构建领域情感词典 | 第32-38页 |
一、情感种子词语的选择 | 第33-35页 |
二、领域情感词典的构建 | 第35-37页 |
三、程度副词情感词典的构建 | 第37页 |
四、转折词语的处理 | 第37-38页 |
第二节 评价信息的抽取 | 第38-43页 |
一、评价对象的抽取 | 第39-40页 |
二、评价词语的抽取 | 第40-42页 |
三、建立基于短语的四元组模型 | 第42-43页 |
第三节 UGC——评价信息的情感极性计算 | 第43-47页 |
一、评价信息四元组的语义加权情感极性计算 | 第43-45页 |
二、整条评论语句的情感极性计算 | 第45-47页 |
第四节 评价信息等级的划分 | 第47页 |
第五节 实验 | 第47-50页 |
一、本章节的算法 | 第47-48页 |
二、实验设计 | 第48页 |
三、实验结果与分析 | 第48-50页 |
第六节 本章小结 | 第50-51页 |
第四章 基于多分类机器学习的评论信息情感分析方法 | 第51-62页 |
第一节 文本表示 | 第51-52页 |
第二节 特征选择方法 | 第52-55页 |
一、信息增益(IG) | 第52-53页 |
二、互信息(M) | 第53-54页 |
三、χ~2统计(CHI) | 第54-55页 |
第三节 特征权重的计算 | 第55-56页 |
一、布尔函数 | 第55页 |
二、开根号函数 | 第55页 |
三、TF-IDF方法 | 第55-56页 |
第四节 改进的布尔函数特征权重计算 | 第56-58页 |
第五节 实验 | 第58-61页 |
一、实验流程 | 第58页 |
二、实验结果与分析 | 第58-60页 |
三、基于词典和基于机器学习评价信息情感分析结果比较 | 第60-61页 |
第六节 本章小结 | 第61-62页 |
第五章 基于模糊数学的评论信息综合分析方法 | 第62-74页 |
第一节 相关知识 | 第62-65页 |
一、模糊综合评价方法的介绍 | 第62-63页 |
二、指标体系的构建 | 第63页 |
三、评价对象的归类 | 第63-65页 |
第二节 商品的模糊综合评价 | 第65-68页 |
一、模糊综合评价方法指标的确定 | 第65-66页 |
二、确定评价集V={V_1,V_2,...,V_n} | 第66页 |
三、评价指标权重的确定 | 第66-67页 |
四、确定模糊评价矩阵 | 第67页 |
五、计算商品综合评价值 | 第67-68页 |
第三节 数据分析 | 第68-71页 |
第四节 淘宝网用户评价信息情感分析的挖掘 | 第71-73页 |
第五节 本章小结 | 第73-74页 |
第六章 结语 | 第74-76页 |
第一节 本文的主要内容 | 第74-75页 |
第二节 进一步的研究 | 第75-76页 |
参考文献 | 第76-81页 |
致谢 | 第81-82页 |
在读期间科研成果 | 第82页 |