基于电商网站商品评论数据的用户情感分析
| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序 | 第8-9页 |
| 目录 | 第9-12页 |
| 1 引言 | 第12-17页 |
| 1.1 研究背景和研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 主要研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 1.5 总结 | 第16-17页 |
| 2 情感分析相关技术介绍 | 第17-30页 |
| 2.1 文本去重算法 | 第17-19页 |
| 2.1.1 编辑距离算法 | 第17页 |
| 2.1.2 余弦相似度算法 | 第17-18页 |
| 2.1.3 simhash算法 | 第18-19页 |
| 2.2 中文分词介绍 | 第19-22页 |
| 2.2.1 中文分词算法介绍 | 第20页 |
| 2.2.2 命名实体识别 | 第20-21页 |
| 2.2.3 常见的中文分词系统 | 第21-22页 |
| 2.3 特征选择算法 | 第22-25页 |
| 2.3.1 文档频率 | 第22页 |
| 2.3.2 TD-IDF | 第22-23页 |
| 2.3.3 信息 | 第23页 |
| 2.3.4 信息增益 | 第23-24页 |
| 2.3.5 期望交叉熵 | 第24页 |
| 2.3.6 开方检验 | 第24-25页 |
| 2.4 LDA主题模型 | 第25-27页 |
| 2.4.1 LDA模型介绍 | 第25-26页 |
| 2.4.2 LDA模型估计 | 第26-27页 |
| 2.5 SVM模型 | 第27-29页 |
| 2.5.1 线性可分情况 | 第27-28页 |
| 2.5.2 线性不可分情况 | 第28-29页 |
| 2.6 总结 | 第29-30页 |
| 3 词向量模型 | 第30-34页 |
| 3.1 词向量介绍 | 第30页 |
| 3.2 词向量模型 | 第30-33页 |
| 3.2.1 统计语言模型介绍 | 第30-31页 |
| 3.2.2 NNLM模型介绍 | 第31-32页 |
| 3.2.3 CBOW模型 | 第32-33页 |
| 3.3 总结 | 第33-34页 |
| 4 基于商品评论的情感分析 | 第34-47页 |
| 4.1 数据处理 | 第35-37页 |
| 4.1.1 数据去重 | 第35-36页 |
| 4.1.2 数据清洗 | 第36-37页 |
| 4.2 评论数据分词 | 第37页 |
| 4.3 扩展特征向量构造 | 第37-39页 |
| 4.4 情感词库的构建 | 第39页 |
| 4.5 USWLDA_HC模型 | 第39-43页 |
| 4.5.1 混合情感因子主题模型 | 第40-42页 |
| 4.5.2 对结果进行层次聚类 | 第42-43页 |
| 4.6 情感倾向值计算 | 第43-46页 |
| 4.6.1 情感主题类别确定 | 第43-44页 |
| 4.6.2 情感倾向值计算 | 第44-46页 |
| 4.7 总结 | 第46-47页 |
| 5 实验设计和结果分析 | 第47-58页 |
| 5.1 实验数据 | 第47-48页 |
| 5.2 实验评价指标 | 第48-49页 |
| 5.3 实验工具和环境 | 第49-50页 |
| 5.4 实验流程 | 第50页 |
| 5.5 实验结果分析 | 第50-57页 |
| 5.6 总结 | 第57-58页 |
| 6 结论 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 作者简历及攻读硕士专业学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
