基于中文微博的产品评价分类及推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究现状 | 第8-10页 |
| 1.2.1 情感分析相关概念及任务 | 第8-9页 |
| 1.2.2 微博情感分析的发展现状 | 第9-10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 2 机器学习相关技术 | 第12-17页 |
| 2.1 性能评价方法 | 第12页 |
| 2.2 支持向量机算法 | 第12-14页 |
| 2.3 半监督学习方法 | 第14-17页 |
| 3 基于中文微博的情感评价单元构建方法研究 | 第17-30页 |
| 3.1 文本预处理 | 第17页 |
| 3.2 微博产品情感评价词典的构建 | 第17-22页 |
| 3.2.1 情感评价词语候选集构建 | 第18-19页 |
| 3.2.2 情感评价词语筛选 | 第19-20页 |
| 3.2.3 情感评价词典实验研究 | 第20-22页 |
| 3.3 副词词典的构建 | 第22-23页 |
| 3.4 产品评价对象词典构建 | 第23-25页 |
| 3.4.1 评价对象 | 第23页 |
| 3.4.2 产品评价对象筛选 | 第23-25页 |
| 3.5 情感评价单元构建 | 第25-30页 |
| 3.5.1 相关研究 | 第25-26页 |
| 3.5.2 算法流程 | 第26-28页 |
| 3.5.3 实验研究 | 第28-30页 |
| 4 基于半监督学习的微博产品评价分类算法研究 | 第30-45页 |
| 4.1 微博产品评价分类流程 | 第30-31页 |
| 4.2 情感评价单元特征提取 | 第31-33页 |
| 4.3 直推式支持向量机算法 | 第33-34页 |
| 4.4 基于图局部与全局一致性的分类算法研究 | 第34-41页 |
| 4.4.1 局部与全局一致性算法 | 第35-36页 |
| 4.4.2 LP-SVM分类算法 | 第36-38页 |
| 4.4.3 标准数据集实验 | 第38-41页 |
| 4.5 微博产品评价的半监督分类算法 | 第41-45页 |
| 4.5.1 算法流程 | 第41-43页 |
| 4.5.2 算法实验 | 第43-45页 |
| 5 基于评价分类的产品推荐算法研究 | 第45-56页 |
| 5.1 微博影响力 | 第45-47页 |
| 5.1.1 影响因素 | 第45-46页 |
| 5.1.2 数据标准化 | 第46-47页 |
| 5.2 推荐衡量指标 | 第47-51页 |
| 5.2.1 微博产品评价值 | 第47-49页 |
| 5.2.2 产品评价类别分布值 | 第49-51页 |
| 5.3 微博产品推荐算法流程 | 第51-52页 |
| 5.4 实证研究 | 第52-56页 |
| 5.4.1 实验样本集 | 第52-53页 |
| 5.4.2 评价分类 | 第53页 |
| 5.4.3 推荐指标计算 | 第53-54页 |
| 5.4.4 产品推荐结果 | 第54-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-62页 |
