| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7-9页 |
| ·研究现状和发展趋势 | 第9-10页 |
| ·研究内容与挑战 | 第10-11页 |
| ·论文组织结构 | 第11-13页 |
| 第二章 情感分析相关知识 | 第13-22页 |
| ·文本预处理 | 第13-14页 |
| ·文本表示模型 | 第14-15页 |
| ·布尔模型 | 第14页 |
| ·向量空间模型 | 第14-15页 |
| ·概率模型 | 第15页 |
| ·文本特征选择 | 第15-17页 |
| ·文档频度 | 第15-16页 |
| ·信息增益 | 第16页 |
| ·互信息 | 第16-17页 |
| ·文本情感分类 | 第17-21页 |
| ·基于情感知识的情感分类 | 第17-18页 |
| ·基于朴素贝叶斯的情感分类 | 第18-19页 |
| ·基于支持向量机的情感分类 | 第19-20页 |
| ·基于 KNN 的情感分类 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 微博情感分析方法 | 第22-39页 |
| ·微博特点分析 | 第22-25页 |
| ·微博特点概述 | 第22-24页 |
| ·微博与传统评论比较 | 第24-25页 |
| ·微博特征选择 | 第25-32页 |
| ·微博情感语义特征 | 第25-28页 |
| ·微博特征抽取算法 | 第28-31页 |
| ·词典构建 | 第31-32页 |
| ·微博情感空间模型 | 第32-33页 |
| ·消息文本向量表示 | 第33-35页 |
| ·微博情感分类模型 | 第35-38页 |
| ·机器学习方法在 Twitter 情感分析中的应用 | 第35-37页 |
| ·基于微博情感语义特征的 SVM 分类模型 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 系统架构与实现 | 第39-47页 |
| ·系统总体架构 | 第39-40页 |
| ·系统模块实现 | 第40-46页 |
| ·数据采集模块 | 第40-42页 |
| ·预处理模块 | 第42-44页 |
| ·特征计算模块 | 第44-45页 |
| ·分类模块 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 实验结果与分析 | 第47-55页 |
| ·实验评估指标 | 第47页 |
| ·实验数据与参数设置 | 第47-48页 |
| ·实验结果与分析 | 第48-54页 |
| ·普通微博分类实验与结果分析 | 第48-51页 |
| ·话题微博分类实验与结果分析 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| ·工作总结 | 第55页 |
| ·不足与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录 1 | 第60-62页 |
| 附录 2 | 第62-63页 |
| 致谢 | 第63页 |