基于MLNs的中文微博情绪分类及其时序变化研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 本文主要研究内容 | 第10-11页 |
| 1.2.1 基于MLNs的情绪分类 | 第11页 |
| 1.2.2 基于规则的有效信息识别 | 第11页 |
| 1.2.3 情绪时序变化分析 | 第11页 |
| 1.3 论文组织结构 | 第11-13页 |
| 第2章 相关工作综述 | 第13-19页 |
| 2.1 情绪分类 | 第13-14页 |
| 2.2 马尔科夫逻辑网 | 第14-15页 |
| 2.3 事件信息的提取 | 第15-17页 |
| 2.4 整体方法对比总结 | 第17页 |
| 2.5 本章小结 | 第17-19页 |
| 第3章 基于MLNs的情绪分类 | 第19-31页 |
| 3.1 情绪分类体系 | 第19-22页 |
| 3.1.1 马尔科夫逻辑表示 | 第20-21页 |
| 3.1.2 权值学习 | 第21页 |
| 3.1.3 推理 | 第21-22页 |
| 3.2 实验与分析 | 第22-29页 |
| 3.2.1 数据集 | 第22-23页 |
| 3.2.2 评估指标 | 第23-24页 |
| 3.2.3 实验分析 | 第24-29页 |
| 3.3 本章小结 | 第29-31页 |
| 第4章 基于规则的有效信息识别 | 第31-45页 |
| 4.1 时间表达式识别 | 第31-36页 |
| 4.1.1 构建时间单元规则库 | 第32-33页 |
| 4.1.2 识别时间表达式 | 第33-34页 |
| 4.1.3 规范化时间表达式 | 第34-36页 |
| 4.2 事件识别 | 第36-42页 |
| 4.2.1 统计分析 | 第39-40页 |
| 4.2.2 事件识别规则 | 第40-41页 |
| 4.2.3 事件识别方法与过程 | 第41-42页 |
| 4.3 实验与分析 | 第42-44页 |
| 4.3.1 数据集 | 第42页 |
| 4.3.2 实验及分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 情绪时序变化分析 | 第45-53页 |
| 5.1 情绪时序变化系统 | 第45-46页 |
| 5.1.1 时间处理方法 | 第45页 |
| 5.1.2 数据处理方法 | 第45-46页 |
| 5.1.3 事件处理方法 | 第46页 |
| 5.2 情绪时序变化实证研究 | 第46-52页 |
| 5.2.1 基于个体微博研究 | 第46-49页 |
| 5.2.2 基于群体微博研究 | 第49-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第6章 应用系统实例 | 第53-57页 |
| 6.1 系统设计 | 第53页 |
| 6.2 模块分析 | 第53-54页 |
| 6.3 结果展示 | 第54-56页 |
| 6.4 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 攻读硕士学位期间发表论文 | 第65-67页 |
| 致谢 | 第67页 |
