| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 目录 | 第8-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.1.1 研究背景 | 第13-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 存在的主要问题 | 第16-17页 |
| 1.3 本文主要贡献 | 第17-19页 |
| 1.4 文章组织结构 | 第19-21页 |
| 第二章 相关理论及研究综述 | 第21-33页 |
| 2.1 观点挖掘研究 | 第21-26页 |
| 2.1.1 基本概念 | 第21-23页 |
| 2.1.2 研究内容 | 第23-24页 |
| 2.1.3 研究综述 | 第24-26页 |
| 2.2 文本分类研究 | 第26-33页 |
| 2.2.1 研究概述 | 第26-27页 |
| 2.2.2 特征选择 | 第27-29页 |
| 2.2.3 分类模型 | 第29-31页 |
| 2.2.4 评价指标 | 第31-33页 |
| 第三章 面向文本主题的观点挖掘模型 | 第33-50页 |
| 3.1 问题提出 | 第33页 |
| 3.2 相关工作 | 第33-34页 |
| 3.3 LDA主题模型 | 第34-37页 |
| 3.3.1 文档生成过程 | 第35-36页 |
| 3.3.2 参数推理 | 第36页 |
| 3.3.3 MCMC Gibbs抽样 | 第36-37页 |
| 3.4 文档主题观点模型(Document-Topic-Opinion) | 第37-39页 |
| 3.4.1 DTO模型结构 | 第37-38页 |
| 3.4.2 文档生成过程 | 第38-39页 |
| 3.5 DTO模型参数推理 | 第39-41页 |
| 3.5.1 基于MCMC Gibbs抽样的DTO参数推理 | 第39-41页 |
| 3.5.2 DTO-Gibbs抽样算法 | 第41页 |
| 3.6 实验设计 | 第41-44页 |
| 3.6.1 实验数据集 | 第41-42页 |
| 3.6.2 数据预处理 | 第42页 |
| 3.6.3 情感词表及使用 | 第42-43页 |
| 3.6.4 观点分类实验 | 第43页 |
| 3.6.5 主题观点挖掘实验 | 第43-44页 |
| 3.7 实验结果分析 | 第44-48页 |
| 3.7.1 实验参数设置 | 第44页 |
| 3.7.2 观点分类结果分析 | 第44-45页 |
| 3.7.3 主题观点挖掘结果分析 | 第45-46页 |
| 3.7.4 主题个数对挖掘结果的影响 | 第46-48页 |
| 3.8 本章小结 | 第48-50页 |
| 第四章 基于DTO模型的主题观点量化方法 | 第50-60页 |
| 4.1 问题提出 | 第50页 |
| 4.2 相关工作 | 第50-51页 |
| 4.3 DTOV主题观点量化模型 | 第51-56页 |
| 4.3.1 相关定义 | 第51-52页 |
| 4.3.2 文档主题观点分布 | 第52-53页 |
| 4.3.3 文档主题观点量化 | 第53-56页 |
| 4.4 实验设计 | 第56-57页 |
| 4.4.1 分类特征抽取 | 第56页 |
| 4.4.2 分类模型选择 | 第56-57页 |
| 4.5 实验结果分析 | 第57-59页 |
| 4.5.1 Pos-DTOV与Neg-DTOV分类效果对比 | 第57页 |
| 4.5.2 情感词典对分类结果的影响 | 第57-58页 |
| 4.5.3 同类方法实验结果对比 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 基于主题观点集成模型的股市波动预测 | 第60-76页 |
| 5.1 问题提出 | 第60-61页 |
| 5.2 相关工作 | 第61-63页 |
| 5.3 Online DTO模型 | 第63-64页 |
| 5.4 TOVA文档主题观点集成模型 | 第64-68页 |
| 5.4.1 基本思想 | 第65页 |
| 5.4.2 加权集成模型 | 第65-66页 |
| 5.4.3 主题权重及计算方法 | 第66-67页 |
| 5.4.4 文章权重及计算方法 | 第67-68页 |
| 5.5 基于ATOV的股市波动预测 | 第68-71页 |
| 5.5.1 SHCOMP-Trend | 第68-69页 |
| 5.5.2 股市波动预测主要步骤 | 第69-71页 |
| 5.6 实验及结果分析 | 第71-75页 |
| 5.6.1 证券情感词典 | 第71页 |
| 5.6.2 实验数据集 | 第71-72页 |
| 5.6.3 实验参数 | 第72-73页 |
| 5.6.4 实验结果及分析 | 第73-75页 |
| 5.7 本章小结 | 第75-76页 |
| 第六章 基于多任务学习的文本多分类模型 | 第76-90页 |
| 6.1 问题提出 | 第76-77页 |
| 6.2 相关理论 | 第77-80页 |
| 6.2.1 单任务学习 | 第77-78页 |
| 6.2.2 多任务学习 | 第78-79页 |
| 6.2.3 模糊集理论 | 第79-80页 |
| 6.3 MDDD文本分类模型 | 第80-85页 |
| 6.3.1 基本思想 | 第80-84页 |
| 6.3.2 文本分类步骤 | 第84-85页 |
| 6.4 实验设计 | 第85-88页 |
| 6.4.1 实验数据集 | 第85-86页 |
| 6.4.2 评估方法 | 第86页 |
| 6.4.3 实验参数设置 | 第86-87页 |
| 6.4.4 对比实验介绍 | 第87-88页 |
| 6.5 实验结果和分析 | 第88-89页 |
| 6.5.1 MDDD与SVM分类结果对比 | 第88页 |
| 6.5.2 不同组合的分类结果对比 | 第88页 |
| 6.5.3 新浪财经文本的多分类结果分析 | 第88-89页 |
| 6.6 本章小结 | 第89-90页 |
| 第七章 总结和展望 | 第90-94页 |
| 7.1 全文概括总结 | 第90-92页 |
| 7.2 全文工作评价 | 第92页 |
| 7.3 后续工作展望 | 第92-94页 |
| 参考文献 | 第94-104页 |
| 参与科研项目 | 第104-105页 |
| 发表文章目录 | 第105-106页 |
| 致谢 | 第106-107页 |
