摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第9-16页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究综述 | 第10-13页 |
1.2.1 网络舆情研究 | 第10-11页 |
1.2.2 关键词提取技术研究 | 第11-12页 |
1.2.3 文本情感分析研究 | 第12-13页 |
1.3 研究内容及结构 | 第13-16页 |
第二章 相关背景知识介绍 | 第16-27页 |
2.1 网络舆情相关概述 | 第16-17页 |
2.1.1 网络舆情的形成与发展 | 第16页 |
2.1.2 网络舆情的传播 | 第16-17页 |
2.1.3 基于文本的网络舆情分析 | 第17页 |
2.2 文本特征提取和关键词提取技术 | 第17-20页 |
2.2.1 Word2Vec的工作原理 | 第17-18页 |
2.2.2 基于TF-IDF的关键词提取技术 | 第18-19页 |
2.2.3 基于TextRank的关键词提取技术 | 第19-20页 |
2.3 基于情感词典的分类模型 | 第20-21页 |
2.3.1 分类模型原理 | 第20页 |
2.3.2 分类模型流程 | 第20-21页 |
2.4 基于机器学习的文本分类模型 | 第21-26页 |
2.4.1 支持向量机模型原理 | 第21-23页 |
2.4.2 XGBoost模型原理 | 第23-26页 |
2.5 本章小结 | 第26-27页 |
第三章 微博短文本的关键词提取 | 第27-35页 |
3.1 关键词提取技术 | 第27-29页 |
3.1.1 TF-IDF算法原理 | 第27-28页 |
3.1.2 TextRank算法原理 | 第28-29页 |
3.2 基于TextRank的关键词生成方法 | 第29-31页 |
3.2.1 文本预处理 | 第29-30页 |
3.2.2 分词及去停用词 | 第30页 |
3.2.3 TextRank排序 | 第30-31页 |
3.3 微博文本关键词提取实证分析 | 第31-34页 |
3.3.1 数据集准备 | 第31-32页 |
3.3.2 数据预处理 | 第32-33页 |
3.3.3 关键词提取结果 | 第33-34页 |
3.4 本章小结 | 第34-35页 |
第四章 基于情感词典的微博短文本舆情分析 | 第35-45页 |
4.1 微博情感词典构建 | 第35-38页 |
4.1.1 基础情感词典和网络情感词典 | 第36-37页 |
4.1.2 程度副词词典 | 第37页 |
4.1.3 否定词、连词词典 | 第37-38页 |
4.1.4 停用词词典 | 第38页 |
4.2 基于情感词典的微博短文本情感分类模型 | 第38-39页 |
4.2.1 文本预处理 | 第38-39页 |
4.2.2 构建基于情感词典的情感分类模型 | 第39页 |
4.3 模型有效性验证 | 第39-42页 |
4.3.1 实验设计 | 第40-41页 |
4.3.2 实验结果及分析 | 第41-42页 |
4.4 网络舆情事件实证分析 | 第42-44页 |
4.4.1 数据集准备 | 第42页 |
4.4.2 基于情感词典的微博短文本情感倾向分析 | 第42-44页 |
4.5 本章小结 | 第44-45页 |
第五章 基于机器学习的微博短文本舆情分析 | 第45-61页 |
5.1 微博短文本的特征提取 | 第45-47页 |
5.1.1 文本预处理 | 第45-46页 |
5.1.2 基于Word2Vec的文本特征提取 | 第46-47页 |
5.2 基于XGBoost的微博短文本情感分类模型 | 第47-50页 |
5.2.1 构建基于XGBoost的情感分类模型 | 第47-50页 |
5.2.2 总体流程设计 | 第50页 |
5.3 模型有效性验证 | 第50-59页 |
5.3.1 实验设计 | 第50-54页 |
5.3.2 实验结果及分析 | 第54-59页 |
5.4 网络舆情事件实证分析 | 第59-60页 |
5.4.1 数据集准备 | 第59-60页 |
5.4.2 基于机器学习的微博短文本情感倾向分析 | 第60页 |
5.5 本章小结 | 第60-61页 |
第六章 总结与展望 | 第61-63页 |
6.1 全文总结 | 第61-62页 |
6.2 研究展望 | 第62-63页 |
参考文献 | 第63-66页 |
附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
附录2 攻读硕士学位期间参加的科研项目 | 第67-68页 |
致谢 | 第68页 |