摘要 | 第6-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第15-25页 |
1.1 研究背景及意义 | 第15-18页 |
1.1.1 研究背景 | 第15-17页 |
1.1.2 研究意义 | 第17-18页 |
1.2 国内外研究现状 | 第18-21页 |
1.2.1 网络舆情方面的研究 | 第18-19页 |
1.2.2 网络舆情情感强度方面的研究 | 第19-20页 |
1.2.3 大数据环境下基于语义技术的研究 | 第20-21页 |
1.3 论文研究内容与创新 | 第21-24页 |
1.3.1 论文研究内容 | 第21-23页 |
1.3.2 论文创新点 | 第23页 |
1.3.3 论文的组织结构 | 第23-24页 |
1.4 本章小结 | 第24-25页 |
第2章 网络舆情情感分析的相关技术 | 第25-33页 |
2.1 大数据技术概念 | 第25-26页 |
2.2 分布式文件系统HDFS | 第26-27页 |
2.3 并行编程模型MapReduce | 第27-29页 |
2.3.1 MapReduce编程模型 | 第27-28页 |
2.3.2 MapReduce执行流程 | 第28-29页 |
2.4 情感分析 | 第29-30页 |
2.4.1 基础情感词典 | 第29-30页 |
2.4.2 情感倾向分析 | 第30页 |
2.5 本章小结 | 第30-33页 |
第3章 舆情文本信息处理 | 第33-41页 |
3.1 文本预处理 | 第33-34页 |
3.2 文本特征提取 | 第34-36页 |
3.2.1 互信息(Mutual-Information)方法 | 第34-35页 |
3.2.2 χ~2统计方法 | 第35页 |
3.2.3 信息增益(Information Gain)方法 | 第35-36页 |
3.2.4 词频-逆向文档频率(TF-IDF) | 第36页 |
3.3 文本表示 | 第36-38页 |
3.3.1 向量空间模型(Vector Space Model, VSM) | 第36-37页 |
3.3.2 概率模型(Probabilistic Model) | 第37-38页 |
3.3.3 布尔模型(Boolean Model) | 第38页 |
3.4 聚类算法 | 第38-40页 |
3.4.1 划分法 | 第38-39页 |
3.4.2 层次法 | 第39页 |
3.4.3 密度算法 | 第39页 |
3.4.4 模型算法 | 第39-40页 |
3.4.5 网格算法 | 第40页 |
3.5 文本聚类评价指标 | 第40页 |
3.6 本章小结 | 第40-41页 |
第4章 基于语义的网络舆情情感强度模型的构建 | 第41-59页 |
4.1 网页文本预处理 | 第41-42页 |
4.1.1 网页文本的获取 | 第41页 |
4.1.2 文本预处理 | 第41-42页 |
4.2 基于MapReduce的新闻特征词的提取算法 | 第42-44页 |
4.2.1 特征选取与权重计算 | 第42页 |
4.2.2 MapReduce模型 | 第42-43页 |
4.2.3 改进的MapReduce组合器模型 | 第43-44页 |
4.3 网络舆情热点事件模型构建 | 第44-45页 |
4.4 主题聚类分析 | 第45-52页 |
4.4.1 K-means算法 | 第45-46页 |
4.4.2 改进的K-means文本聚类算法 | 第46-49页 |
4.4.3 实验结果与分析 | 第49-52页 |
4.5 情感词典构建 | 第52-53页 |
4.6 基于语义的网络舆情情感强度分析 | 第53-57页 |
4.6.1 情感分析流程 | 第54-56页 |
4.6.2 情感强度计算模型 | 第56-57页 |
4.7 本章小结 | 第57-59页 |
第5章 网络舆情情感强度仿真研究 | 第59-67页 |
5.1 实验语料选择 | 第59页 |
5.2 结果评估标准 | 第59-60页 |
5.3 实验结果分析 | 第60-65页 |
5.3.1 新闻主题词的特征选择与权重计算 | 第60-62页 |
5.3.2 网络舆情热点事件 | 第62页 |
5.3.3 情感倾向分析 | 第62-65页 |
5.4 本章小结 | 第65-67页 |
总结与展望 | 第67-70页 |
参考文献 | 第70-74页 |
攻读学位期间发表的论文及参与的科研项目 | 第74-76页 |
致谢 | 第76页 |