基于潜在语义的Web评论情感倾向性研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 情感词典及语料库构建方面 | 第14-15页 |
| 1.2.2 情感倾向分析方法研究方面 | 第15-18页 |
| 1.2.3 情感倾向分析应用方面 | 第18-19页 |
| 1.2.4 相关工作中存在的主要问题 | 第19页 |
| 1.3 本文的主要工作 | 第19-20页 |
| 1.4 论文的组织与结构 | 第20-22页 |
| 第2章 相关理论介绍 | 第22-33页 |
| 2.1 文本情感倾向分析框架 | 第22-23页 |
| 2.2 情感倾向分析的关键技术 | 第23-27页 |
| 2.2.1 文本预处理 | 第23-24页 |
| 2.2.2 文本特征提取 | 第24-26页 |
| 2.2.3 文本情感倾向分类 | 第26-27页 |
| 2.3 潜在语义分析(LSA) | 第27-28页 |
| 2.3.1 潜在语义分析概念 | 第27页 |
| 2.3.2 潜在语义空间 | 第27-28页 |
| 2.3.3 潜在语义分析的意义 | 第28页 |
| 2.4 支持向量机(SVM) | 第28-29页 |
| 2.5 网络舆情分析 | 第29-32页 |
| 2.5.1 网络舆情的特点 | 第29-30页 |
| 2.5.2 网络舆情态势的演化规律 | 第30-31页 |
| 2.5.3 网络舆情分析的主要工作 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于LSA的SVM情感倾向分类方法 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 基于LSA的SVM文本情感倾向分析框架 | 第33-35页 |
| 3.3 基于LSA的SVM情感倾向分类 | 第35-40页 |
| 3.3.1 情感特征词集的选取 | 第35-36页 |
| 3.3.2 基于LSA的特征向量提取 | 第36-39页 |
| 3.3.3 算法描述 | 第39-40页 |
| 3.4 案例分析 | 第40-42页 |
| 3.5 实验及结果分析 | 第42-46页 |
| 3.5.1 实验环境及评测指标 | 第42-43页 |
| 3.5.2 性能分析 | 第43-45页 |
| 3.5.3 情感特征词集的影响 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 融合观点倾向的热点话题预测方法 | 第47-57页 |
| 4.1 引言 | 第47页 |
| 4.2 网络热点话题分析的研究现状 | 第47-50页 |
| 4.2.1 热点话题的评价指标 | 第47-48页 |
| 4.2.2 现有热点话题发现及态势预测方法 | 第48-50页 |
| 4.3 基于观点倾向的热点话题预测 | 第50-52页 |
| 4.3.1 热度计算方法的修正 | 第50-51页 |
| 4.3.2 热点话题态势预测模型 | 第51-52页 |
| 4.4 实验及结果分析 | 第52-56页 |
| 4.4.1 实验数据收集 | 第52-53页 |
| 4.4.2 性能分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 附录A 攻读硕士学位期间所发表的学术论文目录 | 第64-65页 |
| 附录B 攻读学位期间所参加的科研项目目录 | 第65-66页 |
| 致谢 | 第66页 |
