基于机器学习的微博评论信息倾向性分析的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要研究内容及论文结构 | 第11-13页 |
| 第2章 微博评论分析的相关理论与技术 | 第13-18页 |
| 2.1 社交媒体平台概况 | 第13页 |
| 2.2 微博评论相关技术和资源 | 第13-17页 |
| 2.2.1 预处理技术 | 第14页 |
| 2.2.2 文本的向量表示 | 第14-15页 |
| 2.2.3 多类词典的构建 | 第15-16页 |
| 2.2.4 情感分类的评价标准 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第3章 微博非情感评论信息的识别 | 第18-32页 |
| 3.1 微博垃圾评论信息识别 | 第18-25页 |
| 3.1.1 微博垃圾评论信息介绍 | 第18-19页 |
| 3.1.2 基于垃圾线索的微博垃圾评论识别 | 第19-23页 |
| 3.1.3 实验结果与分析 | 第23-25页 |
| 3.2 微博主客观评论信息识别 | 第25-31页 |
| 3.2.1 微博主客观评论信息介绍 | 第25-26页 |
| 3.2.2 基于机器学习方法的主客观评论识别 | 第26-30页 |
| 3.2.3 实验结果分析 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 微博评论信息倾向性分析 | 第32-58页 |
| 4.1 微博评论情感识别介绍 | 第32页 |
| 4.2 特征选择 | 第32-34页 |
| 4.3 特征提取及权重的计算 | 第34-38页 |
| 4.3.1 传统的特征提取方法 | 第34-35页 |
| 4.3.2 特征提取的改进 | 第35-37页 |
| 4.3.3 权重计算 | 第37-38页 |
| 4.4 基于投票与集成学习的融合分类器 | 第38-49页 |
| 4.4.1 传统机器学习方法 | 第39-41页 |
| 4.4.2 集成学习方法 | 第41-44页 |
| 4.4.3 基于投票与集成学习的融合分类器 | 第44-49页 |
| 4.5 实验结果与分析 | 第49-56页 |
| 4.5.1 实验数据 | 第49页 |
| 4.5.2 特征提取与权重计算改进实验结果 | 第49-50页 |
| 4.5.3 分类器改进的实验结果 | 第50-53页 |
| 4.5.4 实验结果分析 | 第53-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第5章 微博评论倾向性载体分析 | 第58-64页 |
| 5.1 微博评论话题转移 | 第58页 |
| 5.2 文本表示与LDA主题模型 | 第58-60页 |
| 5.2.1 文本表示 | 第58-59页 |
| 5.2.2 LDA主题模型 | 第59-60页 |
| 5.3 实验结果与分析 | 第60-63页 |
| 5.3.1 实验数据 | 第60-61页 |
| 5.3.2 实验结果与分析 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
