| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 前言 | 第9-12页 |
| ·研究背景 | 第9页 |
| ·研究内容 | 第9-10页 |
| ·研究目的和意义 | 第10-12页 |
| 第2章 文献综述 | 第12-19页 |
| ·文本情感分析主要算法 | 第12-14页 |
| ·基于语义的文本情感倾向性分析方法 | 第12-13页 |
| ·基于机器学习的文本情感倾向性分析方法 | 第13-14页 |
| ·国内外研究现状 | 第14-17页 |
| ·国外研究现状 | 第14-16页 |
| ·国内研究现状 | 第16-17页 |
| ·金融领域情感分析研究现状 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第3章 文本情感分析相关技术介绍 | 第19-25页 |
| ·文本分词器 | 第19-20页 |
| ·特征选取方法 | 第20-22页 |
| ·文档频率 | 第21页 |
| ·信息增益 | 第21页 |
| ·互信息 | 第21页 |
| ·CHI统计 | 第21-22页 |
| ·特征项文本表示 | 第22页 |
| ·特征权重计算 | 第22-23页 |
| ·依存分析介绍 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第4章 基于语义的金融领域文本情感分析 | 第25-31页 |
| ·金融领域文本特点 | 第25页 |
| ·词典构建 | 第25-27页 |
| ·基础情感词典的构建 | 第25-26页 |
| ·网络词典的构建 | 第26页 |
| ·否定词的整理 | 第26页 |
| ·程度副词词典的构建 | 第26页 |
| ·领域词典的构建 | 第26-27页 |
| ·基于语义的文本情感倾向性分析方法 | 第27-30页 |
| ·文本预处理 | 第27页 |
| ·副词的处理 | 第27-28页 |
| ·句式的处理 | 第28-29页 |
| ·文档情感值计算 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第5章 基于SVM结合依存分析的金融领域文本情感分析 | 第31-39页 |
| ·SVM算法 | 第31页 |
| ·特征选择 | 第31-32页 |
| ·特征标注 | 第32-33页 |
| ·文档情感值计算 | 第33页 |
| ·依存模型抽取 | 第33-36页 |
| ·研究基础 | 第33-34页 |
| ·本文抽取的依存模型 | 第34-36页 |
| ·依存模型置信度实验 | 第36页 |
| ·SVM结合依存分析的文档情感值计算 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第6章 实验结果分析 | 第39-49页 |
| ·实验数据集 | 第39页 |
| ·评价标准 | 第39页 |
| ·基于语义的文本情感分析实验 | 第39-40页 |
| ·基于SVM结合依存分析的文本情感分析 | 第40-45页 |
| ·系统实现 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第7章 结论 | 第49-51页 |
| ·工作总结 | 第49-50页 |
| ·论文创新点 | 第50页 |
| ·未来展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 附录 攻读硕士期间发表论文 | 第56页 |