面向话题的微博情感分析研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 情感分析 | 第9-11页 |
| 1.2.2 主客观分类 | 第11页 |
| 1.2.3 微博情感分析 | 第11-12页 |
| 1.2.4 支持向量机 | 第12页 |
| 1.3 本文主要内容及章节安排 | 第12-14页 |
| 第2章 微博情感分析技术 | 第14-22页 |
| 2.1 微博情感分析介绍 | 第14-16页 |
| 2.1.1 微博情感分析概念 | 第14页 |
| 2.1.2 微博情感分析过程 | 第14-15页 |
| 2.1.3 微博情感分析评估 | 第15-16页 |
| 2.2 微博情感分析理论基础 | 第16-21页 |
| 2.2.1 特征选择方法 | 第17-18页 |
| 2.2.2 机器学习算法 | 第18-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 微博主客观分类研究 | 第22-31页 |
| 3.1 主客观文本预处理 | 第22-24页 |
| 3.1.1 微博语料分析 | 第22-23页 |
| 3.1.2 文本表示模型 | 第23页 |
| 3.1.3 主客观特征提取 | 第23-24页 |
| 3.2 主客观文本分类 | 第24-27页 |
| 3.2.1 基于词性的主客观分类 | 第24-26页 |
| 3.2.2 基于文本的主客观分类 | 第26-27页 |
| 3.3 实验部分 | 第27-30页 |
| 3.3.1 2-POS词性对选择实验 | 第27-28页 |
| 3.3.2 基于词性的主客观分类实验 | 第28-29页 |
| 3.3.3 主客观基于不同特征提取方法的分类 | 第29页 |
| 3.3.4 词性文本结合分类比较 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 微博情感分类研究 | 第31-47页 |
| 4.1 多分类情感介绍 | 第31-32页 |
| 4.2 无监督情感分类 | 第32-39页 |
| 4.2.1 基于微博情感词汇本体库扩展 | 第32-33页 |
| 4.2.2 基于同义词词林对情感词汇本体库扩展 | 第33-35页 |
| 4.2.3 基于词典的权重分配 | 第35-36页 |
| 4.2.4 否定词与程度副词 | 第36-37页 |
| 4.2.5 实验部分 | 第37-39页 |
| 4.3 有监督情感分类 | 第39-46页 |
| 4.3.1 细粒度情感表情特征 | 第39-40页 |
| 4.3.2 细粒度情感语气词特征 | 第40页 |
| 4.3.3 细粒度情感情感词特征 | 第40-41页 |
| 4.3.4 多分类支持向量机 | 第41-42页 |
| 4.3.5 基于距离的二叉树构建方法 | 第42-43页 |
| 4.3.6 实验部分 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 关于支持向量机的研究 | 第47-55页 |
| 5.1 支持向量机分类依据 | 第47-48页 |
| 5.1.1 函数间隔与几何间隔 | 第47-48页 |
| 5.1.2 最大几何间隔 | 第48页 |
| 5.2 支持向量机分类 | 第48-51页 |
| 5.2.1 线性可分 | 第49页 |
| 5.2.2 松弛变量与惩罚因子 | 第49-50页 |
| 5.2.3 线性不可分 | 第50-51页 |
| 5.3 支持向量机改进 | 第51-54页 |
| 5.3.1 交叉验证 | 第51-52页 |
| 5.3.2 核函数参数寻优 | 第52-53页 |
| 5.3.3 实验结果 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-66页 |
| 致谢 | 第66-67页 |
| 本人在读期间完成的研究成果 | 第67页 |
