| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及选题意义 | 第10-11页 |
| 1.2 研究目标 | 第11页 |
| 1.3 研究方法和技术路线 | 第11-13页 |
| 1.3.1 研究方法 | 第11-12页 |
| 1.3.2 技术路线 | 第12-13页 |
| 1.4 论文创新点和组织结构 | 第13-16页 |
| 1.4.1 创新点 | 第13页 |
| 1.4.2 论文组织结构 | 第13-16页 |
| 2 文献综述 | 第16-28页 |
| 2.1 面向在线评论的情感信息分类相关研究 | 第16-20页 |
| 2.1.1 基于统计学习的评论文本情感分类 | 第16-17页 |
| 2.1.2 基于情感语义特性的评论文本情感分类 | 第17-19页 |
| 2.1.3 研究评述 | 第19-20页 |
| 2.2 面向在线评论的情感信息挖掘相关研究 | 第20-25页 |
| 2.2.1 基于主题模型的评论情感信息挖掘相关研究 | 第20-23页 |
| 2.2.2 基于语义网络的评论情感信息挖掘相关研究 | 第23-25页 |
| 2.2.3 研究评述 | 第25页 |
| 2.3 本章小结 | 第25-28页 |
| 3 基于词向量和情感本体的评论文本情感分类 | 第28-40页 |
| 3.1 结合评论内容特点的文本预处理 | 第28-33页 |
| 3.1.1 文本去重 | 第28-30页 |
| 3.1.2 机械压缩去词 | 第30-31页 |
| 3.1.3 针对微博评论文本的特殊处理 | 第31-32页 |
| 3.1.4 短句删除 | 第32页 |
| 3.1.5 评论文本分词 | 第32-33页 |
| 3.2 基于Word2Vec的词向量生成 | 第33-34页 |
| 3.3 基于词向量和情感本体的网络词汇情感值算法 | 第34-36页 |
| 3.4 词向量和情感本体相结合的分类方法 | 第36-38页 |
| 3.4.1 词向量和情感本体相结合的文本特征向量构建 | 第36-37页 |
| 3.4.2 基于词向量和情感本体的短文本情感分类过程 | 第37-38页 |
| 3.5 模型评估指标 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 4 基于LDA和语义网络的二分类文本情感信息挖掘 | 第40-46页 |
| 4.1 基于情感分类的评论文本主题挖掘 | 第40-41页 |
| 4.1.1 基于情感分类的评论文本主题模型 | 第40-41页 |
| 4.1.2 LDA主题模型评估指标 | 第41页 |
| 4.2 结合评论主题和情感词的语义网络构建 | 第41-44页 |
| 4.2.1 结合评论主题和情感词的词共现矩阵 | 第42-43页 |
| 4.2.2 基于词共现矩阵的语义网络图 | 第43-44页 |
| 4.3 模型评估指标 | 第44页 |
| 4.4 本章小结 | 第44-46页 |
| 5 实证研究---以旅游为话题的微博评论为例 | 第46-68页 |
| 5.1 实验设置 | 第46-52页 |
| 5.1.1 微博评论数据采集 | 第46-47页 |
| 5.1.2 评论文本预处理 | 第47-48页 |
| 5.1.3 文本特征向量构建 | 第48-49页 |
| 5.1.4 情感分类工具 | 第49页 |
| 5.1.5 LDA主题模型实验设置 | 第49-51页 |
| 5.1.6 语义网络分析实验设置 | 第51-52页 |
| 5.2 评论文本情感分类模型实证分析 | 第52-56页 |
| 5.2.1 不同分类器对情感分类结果的影响 | 第52-53页 |
| 5.2.2 不同样本量对情感分类结果的影响 | 第53-54页 |
| 5.2.3 与单一基于词向量、单一基于情感本体的情感分类结果对比 | 第54-56页 |
| 5.3 评论文本情感信息挖掘实证分析 | 第56-66页 |
| 5.3.1 基于情感分类的评论文本主题挖掘结果 | 第56-59页 |
| 5.3.2 结合评论主题和情感词的语义网络模型实证分析 | 第59-66页 |
| 5.4 本章小结 | 第66-68页 |
| 6 结论与展望 | 第68-72页 |
| 6.1 本文工作回顾 | 第68-69页 |
| 6.2 理论贡献 | 第69页 |
| 6.3 研究局限与展望 | 第69-72页 |
| 6.3.1 研究局限 | 第69页 |
| 6.3.2 未来展望 | 第69-72页 |
| 参考文献 | 第72-78页 |
| 附录 | 第78-82页 |
| 攻读学位期间的研究成果 | 第82-84页 |
| 致谢 | 第84页 |
