| 中文摘要 | 第5-6页 |
| 英文摘要 | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 本文研究内容 | 第16页 |
| 1.4 本文内容安排 | 第16-18页 |
| 2 相关理论概述 | 第18-26页 |
| 2.1 网络爬虫 | 第18-19页 |
| 2.2 中文分词技术 | 第19页 |
| 2.3 特征选择算法 | 第19-20页 |
| 2.4 特征权重计算方法 | 第20-21页 |
| 2.4.1 布尔权重 | 第20页 |
| 2.4.2 TF-IDF权重 | 第20-21页 |
| 2.5 网购评论文本倾向分类 | 第21-23页 |
| 2.5.1 基于情感词典的方法 | 第21-22页 |
| 2.5.2 基于SVM的方法 | 第22-23页 |
| 2.6 基础情感词典介绍 | 第23-24页 |
| 2.7 Word2Vec介绍 | 第24-26页 |
| 2.8 本章小结 | 第26页 |
| 3 基于情感词典构建训练集 | 第26-41页 |
| 3.1 语料采集及预处理 | 第26-29页 |
| 3.1.1 语料采集 | 第27-28页 |
| 3.1.2 评论文本分词 | 第28页 |
| 3.1.3 去除停用词 | 第28-29页 |
| 3.2 通用情感词典构建 | 第29-31页 |
| 3.2.1 基础情感词典 | 第29页 |
| 3.2.2 程度副词词典 | 第29-30页 |
| 3.2.3 否定词词典 | 第30页 |
| 3.2.4 网络词词典 | 第30-31页 |
| 3.3 基于Word2Vec和HowNet的领域情感词典构建 | 第31-34页 |
| 3.3.1 候选情感词的提取 | 第32-33页 |
| 3.3.2 基于Word2Vec判断候选情感词的情感倾向 | 第33页 |
| 3.3.3 基于HowNet判断候选情感词的情感倾向 | 第33-34页 |
| 3.4 基于情感词典构建训练集 | 第34-35页 |
| 3.4.1 基于情感词典计算评论文本的情感值 | 第34-35页 |
| 3.4.2 根据情感值选择训练集 | 第35页 |
| 3.5 基于情感词典构建训练集实例 | 第35-36页 |
| 3.6 实验结果与分析 | 第36-40页 |
| 3.6.1 实验数据及评价指标 | 第37页 |
| 3.6.2 实验过程及结果分析 | 第37-40页 |
| 3.7 本章小结 | 第40-41页 |
| 4 基于SVM的评论文本倾向分析 | 第41-51页 |
| 4.1 特征选择 | 第42页 |
| 4.2 基于改进TF-IDF计算特征权重 | 第42-43页 |
| 4.2.1 TF-IDF算法 | 第42页 |
| 4.2.2 改进的TF-IDF算法 | 第42-43页 |
| 4.3 基于加权Word2Vec改进评论文本向量表示 | 第43-44页 |
| 4.3.1 加权Word2Vec词向量 | 第43页 |
| 4.3.2 改进的评论文本向量表示 | 第43-44页 |
| 4.4 基于SVM的评论文本倾向分析过程 | 第44-45页 |
| 4.5 实验结果与分析 | 第45-50页 |
| 4.5.1 实验数据及评价指标 | 第45-46页 |
| 4.5.2 不同特征权重计算方法对比实验 | 第46-47页 |
| 4.5.3 不同文本向量表示方法对比实验 | 第47-49页 |
| 4.5.4 SVM和NaiveBayes对比实验 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 网购评论文本倾向分析的应用 | 第51-59页 |
| 5.1 语料采集及预处理 | 第51-52页 |
| 5.2 餐饮领域情感词典的构建 | 第52-54页 |
| 5.3 基于情感词典构建训练集 | 第54-55页 |
| 5.4 特征权重计算 | 第55-56页 |
| 5.5 评论文本向量表示 | 第56-57页 |
| 5.6 基于SVM的评论文本倾向分析 | 第57-58页 |
| 5.7 统计好评率和差评率 | 第58页 |
| 5.8 本章小结 | 第58-59页 |
| 6 总结和展望 | 第59-61页 |
| 6.1 全文总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录A 作者攻读硕士学位期间发表论文及科研情况 | 第65-66页 |
| 致谢 | 第66页 |
