在线新闻评论的情感分析研究

摘要	第1-7页
Abstract	第7-10页
目录	第10-14页
第一章 绪论	第14-24页
第一节 研究背景与意义	第14-16页
第二节 研究现状	第16-20页
·情感倾向性分类的研究现状	第16-18页
·情绪分类的研究现状	第18页
·跨领域情感分析的研究现状	第18-20页
第三节 研究内容和创新点	第20-22页
第四节 论文结构	第22-24页
第二章 相关研究基础	第24-42页
第一节 引言	第24-25页
第二节 情感分析的文本处理技术	第25-27页
·文本表示	第25-26页
·特征权重计算	第26页
·特征选择	第26-27页
第三节 情感分析的分类学习技术	第27-35页
·监督学习	第27-28页
·分类问题	第28-29页
·分类方法	第29-35页
第四节 情感分类的评估和比较方法	第35-37页
·评价指标	第35-37页
·交叉验证方法	第37页
第五节 跨领域情感分析的迁移学习技术	第37-41页
·迁移学习技术的分类	第38-40页
·SCL跨领域情感分析方法	第40-41页
第六节 本章小结	第41-42页
第三章 基于单一信息源的在线新闻评论情绪预测	第42-84页
第一节 引言	第42-44页
第二节 问题描述	第44-46页
第三节 基于评论内容的情绪预测	第46-63页
·基于朴素贝叶斯模型的情绪预测	第46-50页
·基于逻辑斯谛回归模型的情绪预测	第50-63页
第四节 基于用户情绪投票的情绪预测	第63-65页
第五节 基于新闻内容的情绪预测	第65-69页
·基于新闻内容的逻辑斯谛回归预测模型建立	第66-67页
·基于新闻内容的逻辑斯谛回归预测模型参数估计	第67-69页
第六节 基于情绪依赖性的情绪预测	第69-73页
·情绪依赖性衡量	第69-71页
·基于情绪依赖性的改进模型	第71-73页
第七节 实验结果和分析	第73-83页
·实验设置	第74-78页
·朴素贝叶斯和逻辑斯谛回归模型的性能比较	第78-79页
·各信息源方法的性能比较	第79页
·数据集大小的影响	第79-81页
·基于情绪依赖性改进方法的性能	第81-83页
第八节 本章小结	第83-84页
第四章 基于异构信息源的在线新闻评论情绪预测	第84-114页
第一节 引言	第84-85页
第二节 问题描述	第85-87页
第三节 基本再分类模型的情绪预测	第87-89页
第四节 基于潜在类别再分类模型的情绪预测	第89-106页
·基于潜在类别的再分类方法	第90-93页
·期望极大算法	第93-105页
·潜在类别的个数选择	第105-106页
·小结	第106页
第五节 实验结果及分析	第106-113页
·实验设置	第107-108页
·利用多种异构信息源的有效性	第108-110页
·基于潜在类别再分类模型的性能	第110-112页
·数据集大小的影响	第112-113页
第六节 本章小结	第113-114页
第五章 跨领域跨类别在线新闻评论情感分析	第114-146页
第一节 引言	第114-116页
第二节 问题描述	第116-118页
第三节 相同类别下跨领域评论情绪预测	第118-125页
·模型定义	第118-120页
·领域数据分布差异	第120-124页
·最优化方法	第124-125页
第四节 不同类别下跨领域评论情绪预测	第125-132页
·模型定义	第126-128页
·领域数据分布差异	第128-129页
·最优化方法	第129-132页
第五节 实验结果及分析	第132-144页
·实验设置	第132-136页
·相同类别下跨领域评论情绪预测实验	第136-139页
·不同类别下跨领域评论情绪预测实验	第139-144页
第六节 本章小结	第144-146页
第六章 总结与展望	第146-150页
第一节 研究内容总结	第146-147页
第二节 创新点和主要贡献	第147-148页
第三节 研究内容展望	第148-150页
参考文献	第150-160页
致谢	第160-162页
个人简历	第162-164页