| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题的背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 关键词提取的研究现状 | 第10-12页 |
| 1.2.2 情感分析的研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 章节安排 | 第13-15页 |
| 第2章 相关理论与技术 | 第15-21页 |
| 2.1 爬虫技术概述 | 第15-16页 |
| 2.2 关键词提取技术研究 | 第16-17页 |
| 2.2.1 基于统计学的关键词提取 | 第16页 |
| 2.2.2 基于图模型的关键词提取 | 第16-17页 |
| 2.2.3 基于语义分析的关键词提取 | 第17页 |
| 2.3 情感分析研究 | 第17-19页 |
| 2.3.1 基于情感词典的微博情感分类 | 第17-18页 |
| 2.3.2 基于机器学习的微博情感分类 | 第18-19页 |
| 2.3.3 基于深度学习的微博情感分类 | 第19页 |
| 2.4 本章小结 | 第19-21页 |
| 第3章 旅游微博的网络爬虫及预处理 | 第21-31页 |
| 3.1 基于Python框架的网络爬虫技术 | 第21-24页 |
| 3.1.1 旅游微博的基本概念 | 第23页 |
| 3.1.2 旅游微博数据的采集 | 第23-24页 |
| 3.2 旅游微博的数据预处理过程 | 第24-26页 |
| 3.3 词语抽象方法表示 | 第26-29页 |
| 3.3.1 基于词袋模型的表示方法 | 第26-27页 |
| 3.3.2 基于词向量的表示方法 | 第27-29页 |
| 3.4 旅游微博的数据集 | 第29-30页 |
| 3.4.1 关键词提取实验的数据集 | 第29页 |
| 3.4.2 情感分析实验的数据集 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 旅游微博的关键词提取 | 第31-45页 |
| 4.1 基于改进的文本特征的关键词提取 | 第31-33页 |
| 4.1.1 改进的文本特征 | 第31-33页 |
| 4.1.2 基于改进的文本特征的算法 | 第33页 |
| 4.2 基于Textrank图模型的关键词提取 | 第33-36页 |
| 4.2.1 Textrank的数学原理 | 第33-34页 |
| 4.2.2 Textrank的具体步骤 | 第34-36页 |
| 4.3 基于边权重优化Textrank的关键词提取 | 第36-38页 |
| 4.3.1 边权重优化 | 第36-38页 |
| 4.3.2 基于边权重优化Textrank的算法 | 第38页 |
| 4.4 实验结果与分析 | 第38-43页 |
| 4.4.1 评价指标 | 第39页 |
| 4.4.2 实验结果与分析 | 第39-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第5章 旅游微博的情感分析 | 第45-63页 |
| 5.1 基于改进的情感词典的情感倾向判别 | 第45-49页 |
| 5.1.1 情感词典的动态扩展 | 第45-47页 |
| 5.1.2 情感强度加权算法 | 第47-48页 |
| 5.1.3 基于改进的的情感词典的情感强度加权算法 | 第48-49页 |
| 5.2 基于改进的特征融合算法优化SVM的情感倾向判别 | 第49-53页 |
| 5.2.1 改进的特征融合算法 | 第49-50页 |
| 5.2.2 SVM的介绍 | 第50-52页 |
| 5.2.3 基于改进的特征融合算法优化SVM | 第52-53页 |
| 5.3 基于Word2vec的LSTM模型的情感倾向判别 | 第53-57页 |
| 5.3.1 LSTM网络的介绍 | 第53-56页 |
| 5.3.2 引入Word2vec | 第56页 |
| 5.3.3 情感分析的步骤 | 第56-57页 |
| 5.4 实验结果与分析 | 第57-61页 |
| 5.4.1 评价指标 | 第57-58页 |
| 5.4.2 实验结果与分析 | 第58-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第6章 总结和展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 发表论文和参加科研情况说明 | 第71-73页 |
| 发表学术论文 | 第71-73页 |
| 致谢 | 第73页 |
