首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

面向微博的文本情感分类的研究

摘要第4-6页
abstract第6-7页
第1章 绪论第11-18页
    1.1 研究背景第11页
    1.2 研究目的与意义第11-12页
    1.3 国内外研究现状第12-16页
        1.3.1 文本情感分类方法的研究现状第13-15页
        1.3.2 中文情感词库现状第15-16页
    1.4 主要研究内容和论文结构第16-18页
        1.4.1 主要研究内容第16页
        1.4.2 论文结构第16-18页
第2章 相关理论介绍第18-25页
    2.1 文本预处理第18-20页
    2.2 文本表示模型第20-21页
        2.2.1 向量空间表示模型第20-21页
        2.2.2 概率模型第21页
        2.2.3 布尔模型第21页
    2.3 文本特征提取第21-24页
        2.3.1 信息增益第21-22页
        2.3.2 卡方校验第22-23页
        2.3.3 词频-逆向文件频率第23页
        2.3.4 点互信息第23-24页
    2.4 本章小结第24-25页
第3章 基于LS-SO算法的情感分类方法第25-50页
    3.1 情感词表的构建第25-30页
        3.1.1 基础情感词词汇表第25-26页
        3.1.2 目标情感词词汇表第26-27页
        3.1.3 网络用语情感词词汇表第27页
        3.1.4 表情符号情感词词汇表第27页
        3.1.5 否定词词汇表第27-28页
        3.1.6 疑问词词汇表第28-29页
        3.1.7 程度副词汇表第29页
        3.1.8 连词词汇表第29-30页
    3.2 基于LS-SO算法自动扩充领域情感词典第30-37页
        3.2.1 PMI-IR算法思想第31-32页
        3.2.2 PMI-IR算法扩充基础情感词词典第32-34页
        3.2.3 LS-SO算法扩充情感词词典第34-36页
        3.2.4 LS-SO算法扩充表情符号情感词典第36-37页
    3.3 抽取候选情感词组第37-38页
    3.4 微博文本语义分析规则第38-41页
        3.4.1 词间分析规则第38-39页
        3.4.2 句型分析规则第39-40页
        3.4.3 句间分析规则第40页
        3.4.4 表情符号分析规则第40-41页
    3.5 微博文本情感分类过程第41-45页
        3.5.1 自动扩充情感词典的实验步骤第41-43页
        3.5.2 情感极值计算的实验步骤第43-45页
    3.6 实验结果与实验分析第45-49页
        3.6.1 实验数据第45页
        3.6.2 评估指标第45-46页
        3.6.3 实验结果分析第46-49页
    3.7 本章小结第49-50页
第4章 基于ATTENTION机制的BI-LSTM模型分类方法第50-63页
    4.1 ATTENTION机制概述第50-51页
    4.2 BI-LSTM模型概述第51-53页
    4.3 搭建混合注意力模型第53-58页
        4.3.1 词向量表示层第53-54页
        4.3.2 语义信息编码层第54-55页
        4.3.3 全局特征抽取层第55-56页
        4.3.4 情感文本分类层第56-58页
    4.4 实验与分析第58-62页
        4.4.1 实验数据第58页
        4.4.2 实验参数设置第58-59页
        4.4.3 模型对比实验第59-61页
        4.4.4 实验结果分析第61-62页
    4.5 本章小结第62-63页
第5章 总结与展望第63-65页
    5.1 总结第63-64页
    5.2 展望第64-65页
参考文献第65-68页
作者简介及在学期间所取得的科研成果第68-69页
致谢第69页

论文共69页,点击 下载论文
上一篇:基于大数据技术的货车行驶工况分析
下一篇:一种基于密度的分布式聚类算法