基于机器学习的Twitter情感分类研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 研究前景 | 第11-12页 |
| 1.4 本文的工作及创新点 | 第12页 |
| 1.5 论文组织结构 | 第12-13页 |
| 2 Twitter情感分类 | 第13-20页 |
| 2.1 Twitter简介 | 第13页 |
| 2.2 基于机器学习的情感分类流程 | 第13-15页 |
| 2.3 情感分类 | 第15页 |
| 2.4 有监督与无监督学习方法 | 第15-16页 |
| 2.5 文本表示技术 | 第16-18页 |
| 2.6 特征集选取 | 第18页 |
| 2.7 分类器集成 | 第18-19页 |
| 2.8 本章小结 | 第19-20页 |
| 3 三种分类器与特征集 | 第20-27页 |
| 3.1 NRC-Canada | 第20-22页 |
| 3.1.2 支持向量机 | 第20-21页 |
| 3.1.3 NRC-Canada特征集 | 第21-22页 |
| 3.2 GU-MLT-LT | 第22-23页 |
| 3.2.1 随机梯度下降 | 第22-23页 |
| 3.2.2 GU-MLT-LT特征集 | 第23页 |
| 3.3 KLUE | 第23-24页 |
| 3.3.1 最大熵分类器 | 第23-24页 |
| 3.3.2 KLUE特征集 | 第24页 |
| 3.4 关于重载原始方法 | 第24-25页 |
| 3.5 集成组合 | 第25-26页 |
| 3.6 本章小结 | 第26-27页 |
| 4 实验结果与分析 | 第27-36页 |
| 4.0 实验数据集 | 第27页 |
| 4.1 测评指标 | 第27-28页 |
| 4.2 单个分类器实验结果 | 第28-31页 |
| 4.2.1 NRC-Canada实验 | 第28-29页 |
| 4.2.2 GUMLTLT实验 | 第29-30页 |
| 4.2.3 KLUE实验 | 第30-31页 |
| 4.3 与原始分类器对比 | 第31页 |
| 4.4 三种分类器集成实验 | 第31-32页 |
| 4.5 与SemEval 2013其他分类器对比 | 第32-33页 |
| 4.6 各分类器对集成分类器的影响 | 第33-34页 |
| 4.7 误差分析 | 第34页 |
| 4.8 本章小结 | 第34-36页 |
| 结论 | 第36-37页 |
| 参考文献 | 第37-40页 |
| 作者简历 | 第40-42页 |
| 学位论文数据集 | 第42页 |
