面向微博文本的情绪分析方法研究
| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景 | 第11页 |
| 1.2 研究意义 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 情绪语料库的构建 | 第13-14页 |
| 1.3.2 情绪识别 | 第14-15页 |
| 1.3.3 情绪分类 | 第15-16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 组织结构 | 第17-19页 |
| 第2章 相关知识介绍 | 第19-27页 |
| 2.1 文本情绪分析相关任务 | 第19-20页 |
| 2.2 文本表示模型 | 第20-21页 |
| 2.2.1 词袋向量空间模型 | 第20-21页 |
| 2.2.2 分布式词向量模型 | 第21页 |
| 2.3 分类模型 | 第21-25页 |
| 2.3.1 最大熵模型 | 第22-24页 |
| 2.3.2 LSTM神经网络模型 | 第24-25页 |
| 2.4 KAPPA统计量 | 第25页 |
| 2.5 性能评测指标 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 微博文本的情绪语料库构建 | 第27-37页 |
| 3.1 问题描述及相关研究 | 第27-28页 |
| 3.2 情绪语料库的构建 | 第28-33页 |
| 3.2.1 语料收集 | 第28-29页 |
| 3.2.2 标注体系 | 第29-30页 |
| 3.2.3 语料的自动标注 | 第30-31页 |
| 3.2.4 标注规则 | 第31-33页 |
| 3.3 语料库统计与分析 | 第33-36页 |
| 3.3.1 语料库统计结果 | 第33-35页 |
| 3.3.2 一致性检验 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于句法信息的微博情绪识别方法研究 | 第37-49页 |
| 4.1 问题描述及相关研究 | 第37-38页 |
| 4.2 情绪识别方法 | 第38-42页 |
| 4.2.1 概述 | 第38-39页 |
| 4.2.2 基于POS词性序列模式的情绪识别方法 | 第39-40页 |
| 4.2.3 基于句法结构分析的情绪识别方法 | 第40-42页 |
| 4.3 实验设计与分析 | 第42-47页 |
| 4.3.1 实验设置 | 第42-43页 |
| 4.3.2 不同特征分类结果比较 | 第43-45页 |
| 4.3.3 不同数量训练样本分类结果比较 | 第45-46页 |
| 4.3.4 参数敏感度实验结果 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 基于集成学习的微博情绪分类方法研究 | 第49-61页 |
| 5.1 问题描述及相关研究 | 第49-50页 |
| 5.2 语料中情绪类别样本的分布 | 第50-51页 |
| 5.3 基于集成学习的微博情绪分类方法 | 第51-54页 |
| 5.3.1 系统框架 | 第52-53页 |
| 5.3.2 随机欠采样 | 第53页 |
| 5.3.3 特征介绍 | 第53-54页 |
| 5.3.4 基分类器融合 | 第54页 |
| 5.4 实验设计与分析 | 第54-60页 |
| 5.4.1 特征介绍 | 第54-55页 |
| 5.4.2 不同特征的分类结果 | 第55-56页 |
| 5.4.3 不同文本表示方式的分类结果 | 第56-57页 |
| 5.4.4 不同分类方法的分类结果 | 第57-59页 |
| 5.4.5 不同参数对集成学习性能的影响 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-64页 |
| 6.1 研究工作总结 | 第61-62页 |
| 6.2 下一步工作设想 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读学位期间公开发表的论文 | 第69页 |
| 攻读学位期间公开申请的专利 | 第69-70页 |
| 攻读学位期间授权的软件著作权 | 第70页 |
| 攻读学位期间参与的科研项目 | 第70-71页 |
| 致谢 | 第71-73页 |
