| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 作者情绪分类 | 第12-13页 |
| 1.3.2 读者情绪分类 | 第13-14页 |
| 1.3.3 多标签分类 | 第14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 组织结构 | 第15-17页 |
| 第2章 相关知识介绍 | 第17-25页 |
| 2.1 文本表示模型 | 第17-18页 |
| 2.2 最大熵分类模型 | 第18-21页 |
| 2.3 Kappa统计量 | 第21页 |
| 2.4 语料资源介绍 | 第21-23页 |
| 2.5 性能评测指标 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于协同训练算法的粗粒度情绪分类方法 | 第25-35页 |
| 3.1 引言 | 第25-26页 |
| 3.2 新闻读者情绪和评论作者情绪间的关系 | 第26-28页 |
| 3.3 粗粒度情绪分类方法 | 第28-30页 |
| 3.3.1 全监督分类方法 | 第28-29页 |
| 3.3.2 基于协同训练算法的粗粒度情绪分类系统实现 | 第29-30页 |
| 3.4 实验设计与分析 | 第30-34页 |
| 3.4.1 实验设置 | 第30-31页 |
| 3.4.2 全监督分类方法的结果 | 第31-32页 |
| 3.4.3 半监督分类方法的结果 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于标签传播算法的粗粒度情绪分类方法 | 第35-46页 |
| 4.1 引言 | 第35-36页 |
| 4.2 读者情绪分类方法 | 第36-40页 |
| 4.2.1 概述 | 第36-37页 |
| 4.2.2 单视图半监督学习方法 | 第37-38页 |
| 4.2.3 双视图半监督学习方法 | 第38-39页 |
| 4.2.4 新闻文本和评论文本间的关联转移概率函数 | 第39-40页 |
| 4.3 基于标签传播算法的粗粒度情绪分类系统实现 | 第40-41页 |
| 4.4 实验设计与分析 | 第41-45页 |
| 4.4.1 实验设置 | 第41页 |
| 4.4.2 单视图的实验结果 | 第41-43页 |
| 4.4.3 双视图的实验结果 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于特征-标签因子图模型的细粒度情绪分类方法 | 第46-58页 |
| 5.1 引言 | 第46-47页 |
| 5.2 基于特征-标签因子图模型的情绪分类方法 | 第47-51页 |
| 5.2.1 联合转换方法 | 第47-48页 |
| 5.2.2 特征-标签因子图（FLFG）模型 | 第48-50页 |
| 5.2.3 模型学习和预测 | 第50页 |
| 5.2.4 基于特征-标签因子图模型的细粒度情绪分类系统实现 | 第50-51页 |
| 5.3 基准系统 | 第51-53页 |
| 5.3.1 基于特征学习的转换方法 | 第51-52页 |
| 5.3.2 基于标签建模的转换方法 | 第52-53页 |
| 5.4 实验设计与分析 | 第53-57页 |
| 5.4.1 实验设置 | 第53-54页 |
| 5.4.2 情绪标签间的关联 | 第54-55页 |
| 5.4.3 单标签的分类结果 | 第55-56页 |
| 5.4.4 多标签的分类结果 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-61页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 下一步工作设想 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读学位期间公开发表的论文 | 第66页 |
| 攻读学位期间公开申请的专利 | 第66-67页 |
| 攻读学位期间参与的科研项目 | 第67-68页 |
| 致谢 | 第68-70页 |
