基于词典和机器学习组合的情感分析
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 主要符号表 | 第8-9页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 文本情感分析相关技术 | 第15-29页 |
| 2.1 情感分析流程 | 第15页 |
| 2.2 文本预处理 | 第15-17页 |
| 2.2.1 中文分词 | 第16页 |
| 2.2.2 词性标注 | 第16-17页 |
| 2.3 文本表示模型 | 第17-18页 |
| 2.4 文本特征与权重计算 | 第18-21页 |
| 2.4.1 文本特征选择 | 第18-20页 |
| 2.4.2 特征权重计算 | 第20-21页 |
| 2.5 情感词典 | 第21-22页 |
| 2.6 文本分类算法与性能 | 第22-26页 |
| 2.6.1 贝叶斯 | 第22-23页 |
| 2.6.2 逻辑回归 | 第23-24页 |
| 2.6.3 支持向量机 | 第24页 |
| 2.6.4 随机森林 | 第24-26页 |
| 2.7 分类性能 | 第26-27页 |
| 2.7.1 正确率、召回率和F-测度值 | 第26-27页 |
| 2.7.2 微平均和宏平均 | 第27页 |
| 2.8 本章小结 | 第27-29页 |
| 第3章 基于情感词典和LDA的情感特征提取 | 第29-39页 |
| 3.1 基于SO-PMI算法的情感词典扩充 | 第29-30页 |
| 3.2 情感词典的构建 | 第30-33页 |
| 3.2.1 通用基础词典 | 第31页 |
| 3.2.2 扩充词典 | 第31-32页 |
| 3.2.3 领域词典的构建 | 第32-33页 |
| 3.3 基于LDA的文本主题模型的构造与改进 | 第33-35页 |
| 3.3.1 潜在狄利克雷分配主题模型构造 | 第33-34页 |
| 3.3.2 改进LDA模型的文本主题分类 | 第34-35页 |
| 3.4 基于词典和LDA的文本情感值计算 | 第35-36页 |
| 3.5 实验结果及分析 | 第36-38页 |
| 3.5.1 特征权重选择 | 第36-37页 |
| 3.5.2 特基于词典与LDA结合的情感分类实验 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 基于评论文本的机器学习分类算法研究 | 第39-47页 |
| 4.1 基本流程 | 第39-40页 |
| 4.2 特征选择 | 第40-41页 |
| 4.3 情感分类 | 第41-42页 |
| 4.4 实验结果及分析 | 第42-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 基于情感特征的主客观分类预测 | 第47-57页 |
| 5.1 基本流程 | 第47-48页 |
| 5.2 特征选择与验证 | 第48-49页 |
| 5.3 基于随机森林的主客观分类算法 | 第49-50页 |
| 5.4 实验环境及数据 | 第50-51页 |
| 5.4.1 实验环境 | 第50页 |
| 5.4.2 实验数据 | 第50-51页 |
| 5.5 实验结果及分析 | 第51-55页 |
| 5.5.1 实验结果 | 第51-52页 |
| 5.5.2 实验结果分析 | 第52-55页 |
| 5.6 本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-61页 |
| 6.1 相关工作总结 | 第57-58页 |
| 6.2 下一步研究方向 | 第58-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间取得的研究成果 | 第65-67页 |
| 致谢 | 第67-69页 |
