在线评论细粒度属性情感分类模型研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究内容与方法 | 第10-11页 |
| 1.2.1 研究内容 | 第10-11页 |
| 1.2.2 研究方法与技术路线 | 第11页 |
| 1.3 论文创新点 | 第11-13页 |
| 2 相关文献回顾 | 第13-17页 |
| 2.1 细粒度属性提取相关研究 | 第13-14页 |
| 2.1.1 基于本体理论的细粒度属性抽取 | 第13页 |
| 2.1.2 基于机器学习的细粒度属性抽取 | 第13-14页 |
| 2.2 情感分类相关研究 | 第14-17页 |
| 2.2.1 基于语言规则的情感分类 | 第14-15页 |
| 2.2.2 基于机器学习与深度学习的情感分类 | 第15-17页 |
| 3 汽车在线评论数据获取方法 | 第17-23页 |
| 3.1 基于python的汽车在线评论爬虫 | 第17-19页 |
| 3.1.1 汽车在线评论爬虫框架 | 第17-19页 |
| 3.2 基于python的分布式爬虫实现方式 | 第19-20页 |
| 3.2.1 汽车在线评论爬虫的主要模块与函数 | 第19页 |
| 3.2.2 数据的存储与更新 | 第19-20页 |
| 3.3 实验结果 | 第20-22页 |
| 3.4 本章小结 | 第22-23页 |
| 4 半监督学习的细粒度属性获取模型 | 第23-31页 |
| 4.1 细粒度属性提取模型 | 第23页 |
| 4.2 词向量模型 | 第23-26页 |
| 4.2.1 哈夫曼树 | 第23-24页 |
| 4.2.2 Skip-gram模型 | 第24-25页 |
| 4.2.3 梯度求导 | 第25-26页 |
| 4.2.4 Word2vec模型 | 第26页 |
| 4.3 细粒度属性获取算法 | 第26-28页 |
| 4.3.1 相近词分类算法 | 第26-27页 |
| 4.3.2 细粒度属性分类算法 | 第27-28页 |
| 4.4 实验结果与分析 | 第28-30页 |
| 4.4.1 细粒度提取结果 | 第28-29页 |
| 4.4.2 定量分析 | 第29-30页 |
| 4.5 本章小结 | 第30-31页 |
| 5 在线评论细粒度情感分析模型 | 第31-39页 |
| 5.1 情感特征片段提取 | 第31-32页 |
| 5.1.1 马尔科夫随机场 | 第31页 |
| 5.1.2 条件随机场 | 第31-32页 |
| 5.1.3 维特比算法 | 第32页 |
| 5.1.4 情感特征片段提取 | 第32页 |
| 5.2 在线评论细粒度情感分析模型 | 第32-34页 |
| 5.2.1 基于不对称权重的SVM分类 | 第32-33页 |
| 5.2.2 情感分析模型工作流程 | 第33-34页 |
| 5.3 实验过程及结果 | 第34-37页 |
| 5.3.1 实验过程和实验分析 | 第34-36页 |
| 5.3.2 分词对实验结果的影响 | 第36-37页 |
| 5.4 在线评论的细粒度情感分析 | 第37-38页 |
| 5.4.1 情感分析实验数据与过程 | 第37页 |
| 5.4.2 实验结果与分析 | 第37-38页 |
| 5.5 本章小结 | 第38-39页 |
| 6 结论与讨论 | 第39-41页 |
| 参考文献 | 第41-46页 |
| 附录 | 第46-79页 |
| 附录I 攻读硕士学位期间录用与外投的论文 | 第46-47页 |
| 附录II 攻读硕士学位期间参加的科研项目 | 第47-48页 |
| 附录III 论文撰写过程中用到的代码 | 第48-79页 |
| 致谢 | 第79页 |
