首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于结构化语言学特征的社交媒体文本情感分析研究

摘要第4-5页
ABSTRACT第5页
第1章 绪论第9-15页
    1.1 研究背景与意义第9-11页
        1.1.1 Twitter第9-10页
        1.1.2 情感分析第10-11页
    1.2 国内外研究现状第11-12页
        1.2.1 国内研究现状第11页
        1.2.2 国外研究现状第11-12页
    1.3 本文研究内容第12-13页
    1.4 文章组织结构第13-15页
第2章 情感分析方法研究第15-21页
    2.1 有监督类情感分析方法第15-18页
        2.1.1 常用特征及处理方法第15-16页
        2.1.2 常用分类器第16-18页
    2.2 无监督类情感分析方法第18-19页
        2.2.1 常用特征及处理方法第18页
        2.2.2 常用计算规则第18-19页
    2.3 有监督与无监督类情感分析方法结合第19页
    2.4 本章小结第19-21页
第3章 情感极性值词典及辅助词典第21-27页
    3.1 情感极性值词典第21-25页
        3.1.1 自动生成第21-23页
        3.1.2 人工手动标注第23-24页
        3.1.3 本文所采用的情感极性值词典第24-25页
    3.2 辅助字典第25-26页
        3.2.1 标准单词词典第25页
        3.2.2 否定词词典第25-26页
        3.2.3 程度增强修饰词词典第26页
        3.2.4 程度减弱修饰词词典第26页
        3.2.5 常用俚语及原型词典第26页
    3.3 本章小结第26-27页
第4章 基于结构化语言学特征的情感分析第27-41页
    4.1 系统框架及概述第27-28页
    4.2 预处理第28-31页
        4.2.1 分词第29页
        4.2.2 标准化第29-30页
        4.2.3 词性标注第30-31页
    4.3 语言学特征提取第31-37页
        4.3.1 辅助特征第31-32页
        4.3.2 词语级别语言学特征第32-33页
        4.3.3 短语级别语言学特征第33-35页
        4.3.4 语句级别语言学特征第35-37页
    4.4 情感分值计算器第37-39页
        4.4.1 基本情感分值计算第37页
        4.4.2 根据语言学特征逐一更新情感分值第37-38页
        4.4.3 处理话题标签第38页
        4.4.4 最终情感分值计算第38-39页
    4.5 本章小结第39-41页
第5章 实验结果及分析第41-51页
    5.1 数据库介绍第41-42页
        5.1.1 STS-TEST第41页
        5.1.2 STS-GOLD第41页
        5.1.3 SemEval-2013第41-42页
        5.1.4 SS-tweet第42页
        5.1.5 VADER-tweet第42页
    5.2 数据库基本语言学特征统计第42-43页
    5.3 评测标准第43页
    5.4 对比方法第43-45页
        5.4.1 AFINN第44页
        5.4.2 VADER第44-45页
        5.4.3 SentiStrength第45页
    5.5 本文所用方法的实验室结果及分析第45-49页
        5.5.1 选用不同情感词典组合的实验室结果及分析第45-47页
        5.5.2 使用不同语言学特征的分类结果及分析第47-48页
        5.5.3 与其它方法相比较的结果及分析第48-49页
    5.6 本章小结第49-51页
第6章 总结与展望第51-53页
    6.1 本文工作总结第51页
    6.2 未来研究展望第51-53页
参考文献第53-57页
附录 A第57-59页
发表论文和参加科研情况说明第59-61页
致谢第61-62页

论文共62页,点击 下载论文
上一篇:基于神经网络和差分搜索的高光谱图像非线性解混算法
下一篇:基于层析成像和压缩感知的火焰三维重构研究