基于文本倾向性分析的网络舆情分析及其趋势预测
| 中文摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 引言 | 第7-13页 |
| 第一节 研究背景 | 第7-8页 |
| 第二节 国内外研究现状及意义 | 第8-10页 |
| 第三节 论文研究内容和组织结构 | 第10-13页 |
| 一、 研究内容 | 第10-11页 |
| 二、 组织结构 | 第11-13页 |
| 第二章 相关概念及基本理论 | 第13-16页 |
| 第一节 舆情分析的基本研究思路 | 第13页 |
| 第二节 网络舆情的特点及对应的分析措施 | 第13-15页 |
| 第三节 情感分析的主要研究方法 | 第15-16页 |
| 第三章 关键技术与分类算法研究 | 第16-25页 |
| 第一节 文本数据预处理方法 | 第16-18页 |
| 一、 文本数据的提取 | 第16-17页 |
| 二、 文本噪音移除及其它文本预处理技术 | 第17-18页 |
| 第二节 特征向量的提取 | 第18-20页 |
| 第三节 词义相似度计算 | 第20页 |
| 第四节 分类算法研究 | 第20-25页 |
| 一、 基于朴素贝叶斯的算法 | 第21页 |
| 二、 基于 K-近邻的算法 | 第21-22页 |
| 三、 基于支持向量机的方法 | 第22页 |
| 四、 分类器的选择 | 第22-23页 |
| 五、 情感倾向算法的研究与改进 | 第23-25页 |
| 第四章 网络舆情情感分析系统架构与实现 | 第25-36页 |
| 第一节 需求分析 | 第25页 |
| 第二节 网络舆情分析情感词典的构造 | 第25-29页 |
| 一、 基于 HowNet 的情感词典构造 | 第25-27页 |
| 二、 网络词汇添加 | 第27-28页 |
| 三、 基于常识经验的添加 | 第28-29页 |
| 第三节 系统主要模块的设计与实现 | 第29-36页 |
| 一、 网络舆情数据的获取 | 第30-32页 |
| 二、 文本的预处理 | 第32-33页 |
| 三、 特征情感向量的提取方法 | 第33-35页 |
| 四、 系统及实验环境简介 | 第35页 |
| 五、 趋势预测 | 第35-36页 |
| 第五章 实验结果及分析 | 第36-44页 |
| 第一节 数据特征分析 | 第36页 |
| 第二节 结果分析 | 第36-44页 |
| 一、 SVM 分类实验结果 | 第36-37页 |
| 二、 情感词典的文本分类结果 | 第37-38页 |
| 三、 两种实验的结果对比及趋势预测 | 第38-44页 |
| 第六章 结论 | 第44-46页 |
| 第一节 论文完成的工作 | 第44-45页 |
| 第二节 论文的不足及展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 读研期间发表论文 | 第50页 |
