在线新闻文本的读者情绪预测方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| 第一节 研究目的与意义 | 第10-11页 |
| 第二节 研究现状和主要研究工作 | 第11-15页 |
| ·情绪分析研究现状 | 第11-14页 |
| ·主要研究工作 | 第14-15页 |
| 第三节 论文组织结构 | 第15-17页 |
| 第二章 相关技术研究 | 第17-25页 |
| 第一节 多标签分类技术 | 第17-21页 |
| ·问题转化法 | 第17-20页 |
| ·算法适应法 | 第20-21页 |
| 第二节 主题模型技术 | 第21-23页 |
| ·LDA主题模型 | 第21-22页 |
| ·Labeled LDA主题模型 | 第22-23页 |
| 第三节 本章小结 | 第23-25页 |
| 第三章 在线新闻读者情绪预测设计方案 | 第25-38页 |
| 第一节 总体实现路线 | 第25-26页 |
| 第二节 数据采集 | 第26-29页 |
| ·网络爬虫 | 第26-27页 |
| ·新浪新闻网站结构分析 | 第27-28页 |
| ·新浪新闻爬虫设计 | 第28-29页 |
| 第三节 多标签读者情绪语料库构建 | 第29-33页 |
| ·数据预处理 | 第30-31页 |
| ·读者情绪数据统计分析 | 第31-32页 |
| ·读者情绪多标签处理方法 | 第32-33页 |
| 第四节 文本表示模型设计 | 第33-35页 |
| 第五节 多标签监督的情绪-主题模型设计 | 第35-37页 |
| 第六节 本章小结 | 第37-38页 |
| 第四章 多标签监督的情绪-主题模型实现 | 第38-53页 |
| 第一节 问题描述 | 第38-39页 |
| 第二节 多标签监督的情绪-主题模型 | 第39-45页 |
| ·读者情绪预测模型分析 | 第39-43页 |
| ·多标签监督的情绪-主题模型构建 | 第43-45页 |
| 第三节 参数估计 | 第45-52页 |
| ·EM算法 | 第45-47页 |
| ·Gibbs采样 | 第47-48页 |
| ·ML-sETM模型参数估计 | 第48-51页 |
| ·ML-sETM模型预测 | 第51-52页 |
| 第四节 本章小结 | 第52-53页 |
| 第五章 实验结果及分析 | 第53-62页 |
| 第一节 实验环境 | 第53页 |
| 第二节 实验数据 | 第53-55页 |
| 第三节 评测方法 | 第55-56页 |
| 第四节 实验设计及结果分析 | 第56-61页 |
| ·ML-sETM模型性能比较 | 第56-58页 |
| ·ML-sETM模型参数的影响 | 第58-61页 |
| 第五节 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 第一节 总结 | 第62-63页 |
| 第二节 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 个人简历及在学期间研究成果 | 第69页 |
