| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-12页 |
| 表格目录 | 第12-13页 |
| Index of Table | 第13-14页 |
| 图表目录 | 第14-15页 |
| Index of Figure | 第15-16页 |
| 第1章 绪论 | 第16-48页 |
| 1.1 研究背景 | 第16-18页 |
| 1.2 研究对象与意义 | 第18-20页 |
| 1.2.1 研究对象 | 第18-19页 |
| 1.2.2 研究意义 | 第19-20页 |
| 1.3 研究文献综述 | 第20-39页 |
| 1.3.1 研讨文本数据分析简述 | 第20-25页 |
| 1.3.2 在线研讨中欺骗问题研究简述 | 第25-28页 |
| 1.3.3 社会化媒体数据集成研究简述 | 第28-31页 |
| 1.3.4 决策支持系统研究简述 | 第31-37页 |
| 1.3.5 研究评述 | 第37-39页 |
| 1.4 研究问题的提出 | 第39页 |
| 1.5 研究思路与论文框架 | 第39-45页 |
| 1.5.1 研究思路 | 第39-40页 |
| 1.5.2 研究方法 | 第40-41页 |
| 1.5.3 研究内容 | 第41-43页 |
| 1.5.4 技术路线 | 第43-45页 |
| 1.6 论文主要创新之处 | 第45-48页 |
| 第2章 支持在线研讨意义构建的文本分析方法研究 | 第48-76页 |
| 2.1 引言 | 第48页 |
| 2.2 在线研讨中的意义构建与语言行为视角 | 第48-51页 |
| 2.2.1 意义构建理论 | 第48-49页 |
| 2.2.2 语言行为视角 | 第49-50页 |
| 2.2.3 基于 LAP 文本分析框架 | 第50-51页 |
| 2.3 研究假设 | 第51-61页 |
| 2.3.1 会话主题拆解理论假设 | 第51-53页 |
| 2.3.2 连贯性分析理论假设 | 第53-58页 |
| 2.3.3 言语行为分类理论假设 | 第58-60页 |
| 2.3.4 意义构建理论假设 | 第60-61页 |
| 2.4 基于 LAP 文本分析系统 | 第61-73页 |
| 2.4.1 会话主题拆解 | 第62-65页 |
| 2.4.2 连贯性分析 | 第65-70页 |
| 2.4.3 言语行为分类 | 第70-73页 |
| 2.4.4 言语行为树 | 第73页 |
| 2.5 小结 | 第73-76页 |
| 第3章 LTAS 系统的实验与评估 | 第76-102页 |
| 3.1 实验总体设计 | 第76-77页 |
| 3.2 实验 1: 会话主题拆解算法实验与评估 | 第77-81页 |
| 3.2.1 实验设计 | 第77-78页 |
| 3.2.2 性能指标 | 第78-79页 |
| 3.2.3 结果与讨论 | 第79-81页 |
| 3.3 实验 2: 连贯性分析方法实验与评估 | 第81-86页 |
| 3.3.1 实验 2a: 连贯性分析特征 | 第81-83页 |
| 3.3.2 实验 2b: 连贯性分析方法对比试验 | 第83-86页 |
| 3.4 实验 3: 言语行为分类算法实验与评估 | 第86-90页 |
| 3.4.1 言语行为类别定义 | 第86-87页 |
| 3.4.2 言语行为人工标注 | 第87-89页 |
| 3.4.3 结果与讨论 | 第89-90页 |
| 3.5 实验 4: 面向意义构建的信息质量分析 | 第90-94页 |
| 3.5.1 实验 4a: SATrees 与 Conversation Tree 准确性比较 | 第91-92页 |
| 3.5.2 实验 4b: 社交网络中心性测量 | 第92-94页 |
| 3.6 实验 5: 面向意义建构的用户实验 | 第94-100页 |
| 3.6.1 面向意义建构的问卷设计 | 第94-95页 |
| 3.6.2 实验设计 | 第95-97页 |
| 3.6.3 测试试验与数据收集 | 第97-98页 |
| 3.6.4 结果与讨论 | 第98-100页 |
| 3.7 小结 | 第100-102页 |
| 第4章 在线研讨过程中欺骗识别研究 | 第102-128页 |
| 4.1 引言 | 第102-103页 |
| 4.2 在线评论欺骗行为相关研究 | 第103-112页 |
| 4.2.1 欺骗的定义 | 第103-104页 |
| 4.2.2 欺骗理论 | 第104-108页 |
| 4.2.3 文体分析研究 | 第108-109页 |
| 4.2.4 文本分类方法概述 | 第109-112页 |
| 4.3 数据集的构建 | 第112-114页 |
| 4.3.1 虚假评论的构建 | 第112-113页 |
| 4.3.2 真实评论的构建 | 第113-114页 |
| 4.4 特征选取 | 第114-118页 |
| 4.4.1 词语词频 | 第114页 |
| 4.4.2 信息丰富度 | 第114-116页 |
| 4.4.3 内容信服度 | 第116-117页 |
| 4.4.4 特征汇总 | 第117-118页 |
| 4.5 在线评论欺骗识别系统设计 | 第118-120页 |
| 4.5.1 系统架构 | 第118-119页 |
| 4.5.2 预处理 | 第119页 |
| 4.5.3 特征抽取 | 第119-120页 |
| 4.5.4 文本分类 | 第120页 |
| 4.6 结果与讨论 | 第120-126页 |
| 4.6.1 实验设计 | 第120-121页 |
| 4.6.2 三种分类算法的实验结果 | 第121-122页 |
| 4.6.3 词语词频特征集分析 | 第122-123页 |
| 4.6.4 感觉特征集分析 | 第123-124页 |
| 4.6.5 词性特征分析 | 第124-125页 |
| 4.6.6 语言接近程度特征分析 | 第125-126页 |
| 4.6.7 分类技术比较分析 | 第126页 |
| 4.7 小结 | 第126-128页 |
| 第5章 面向研讨问题的网络民意分析研究 | 第128-142页 |
| 5.1 背景介绍 | 第128-129页 |
| 5.2 相关研究 | 第129-132页 |
| 5.2.1 网络民意与网络舆论 | 第129-130页 |
| 5.2.2 文本意见挖掘 | 第130-131页 |
| 5.2.3 在线研讨中利益相关者 | 第131-132页 |
| 5.3 面向研讨问题的网络民意建模 | 第132-137页 |
| 5.3.1 网络评论网页采集 | 第133页 |
| 5.3.2 HTML 页面的解析 | 第133-134页 |
| 5.3.3 面向研讨问题的主题分析 | 第134页 |
| 5.3.4 相似度计算 | 第134-135页 |
| 5.3.5 利益相关群体提取 | 第135-136页 |
| 5.3.6 情感分析 | 第136-137页 |
| 5.3.7 “主题-利益相关群体-情感”模型 | 第137页 |
| 5.4 应用案例与分析 | 第137-140页 |
| 5.4.1 网络评论数据 | 第137-138页 |
| 5.4.2 决策问题解析 | 第138页 |
| 5.4.3 网络民意建模 | 第138-140页 |
| 5.5 小结 | 第140-142页 |
| 第6章 结论 | 第142-146页 |
| 6.1 论文的主要工作与创新点 | 第142-144页 |
| 6.2 研究不足及展望 | 第144-146页 |
| 附录 1 意义构建实验问卷 | 第146-148页 |
| 附录 2 虚假评论问卷 | 第148-150页 |
| 附录 3 真实评论问卷 | 第150-152页 |
| 附录 4 ICTPOS 词性标注集及含义 | 第152-154页 |
| 参考文献 | 第154-166页 |
| 致谢 | 第166-168页 |
| 攻读博士学位期间的学术论文和科研课题 | 第168-169页 |