中文文本情感分析中的特征选择和权重研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要内容 | 第14-16页 |
| 第二章 情感倾向性分析相关理论 | 第16-26页 |
| 2.1 情感倾向性分析相关理论 | 第16-24页 |
| 2.1.1 情感倾向性分析基本原理 | 第16-17页 |
| 2.1.2 文本预处理 | 第17-18页 |
| 2.1.3 文本表示 | 第18-19页 |
| 2.1.4 特征选择与特征权重算法 | 第19页 |
| 2.1.5 机器学习算法介绍 | 第19-23页 |
| 2.1.6 情感分析性能评估 | 第23-24页 |
| 2.2 网络爬虫相关技术 | 第24-25页 |
| 2.2.1 网络爬虫的概念 | 第24-25页 |
| 2.2.2 爬虫基本框架 | 第25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于Scrapy的爬虫设计 | 第26-33页 |
| 3.1 Scrapy框架分析 | 第26-27页 |
| 3.2 爬取数据流程 | 第27-28页 |
| 3.3 目标数据分析 | 第28-30页 |
| 3.3.1 网页编码 | 第28-29页 |
| 3.3.2 数据格式 | 第29页 |
| 3.3.3 URL格式 | 第29-30页 |
| 3.4 模拟登录 | 第30-31页 |
| 3.5 数据的解析与存储 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 特征选择和特征权重算法的分析与改进 | 第33-51页 |
| 4.1 常用的特征选择算法 | 第33-36页 |
| 4.1.1 文档频率（DF） | 第33-34页 |
| 4.1.2 X~2统计量（CHI） | 第34页 |
| 4.1.3 互信息（MI） | 第34-35页 |
| 4.1.4 信息增益（IG） | 第35-36页 |
| 4.1.5 期望交叉熵（ECE） | 第36页 |
| 4.2 IG算法的分析与改进 | 第36-39页 |
| 4.2.1 类间集中度和类内分散度 | 第36-38页 |
| 4.2.2 信息增益算法的改进 | 第38-39页 |
| 4.2.3 复杂度分析 | 第39页 |
| 4.3 TF-IDF算法的分析与研究 | 第39-42页 |
| 4.3.1 TF-IDF算法的原理 | 第40-41页 |
| 4.3.2 TF-IDF算法的不足 | 第41-42页 |
| 4.3.3 TF-IDF算法的改进 | 第42页 |
| 4.3.4 复杂度分析 | 第42页 |
| 4.4 实验及结果分析 | 第42-50页 |
| 4.4.1 数据集及预处理 | 第43页 |
| 4.4.2 特征降维 | 第43-44页 |
| 4.4.3 分类器的训练 | 第44页 |
| 4.4.4 情感倾向性分析实验结果 | 第44-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于情感分析的电影综合评分模型 | 第51-58页 |
| 5.1 豆瓣电影综合评分模型 | 第51-54页 |
| 5.1.1 豆瓣影评指标的筛选 | 第51-52页 |
| 5.1.2 电影综合评分流程 | 第52-53页 |
| 5.1.3 信息过滤和预处理 | 第53页 |
| 5.1.4 情感倾向性分析 | 第53页 |
| 5.1.5 基于情感分析的影评评分 | 第53页 |
| 5.1.6 CRMDM评分 | 第53-54页 |
| 5.2 实验与分析 | 第54-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 附录2 攻读硕士学位期间申请的专利 | 第63-64页 |
| 致谢 | 第64页 |
