基于中文微博的情感分类技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 文本情感分类研究现状 | 第12-14页 |
| 1.2.2 微博情感分类研究现状 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 情感分类相关技术 | 第17-27页 |
| 2.1 主要研究方法 | 第17页 |
| 2.2 文本表示模型 | 第17-19页 |
| 2.2.1 向量空间模型 | 第18页 |
| 2.2.2 布尔模型 | 第18-19页 |
| 2.3 特征选择方法 | 第19-21页 |
| 2.3.1 文档频率 | 第19页 |
| 2.3.2 信息增益 | 第19-20页 |
| 2.3.3 互信息 | 第20-21页 |
| 2.3.4 卡方统计 | 第21页 |
| 2.4 权重计算方法 | 第21-23页 |
| 2.5 文本分类算法 | 第23-26页 |
| 2.5.1 朴素贝叶斯算法 | 第23-24页 |
| 2.5.2 K最近邻分类法 | 第24-25页 |
| 2.5.3 支持向量机 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 微博情感极性分类研究 | 第27-43页 |
| 3.1 微博特点分析 | 第28-29页 |
| 3.2 微博数据预处理 | 第29-31页 |
| 3.2.1 噪音处理 | 第29-30页 |
| 3.2.2 中文分词 | 第30-31页 |
| 3.2.3 去停用词 | 第31页 |
| 3.3 改进的信息增益特征选择 | 第31-33页 |
| 3.3.1 信息增益方法的不足 | 第32页 |
| 3.3.2 信息增益方法的改进 | 第32-33页 |
| 3.4 改进的TF-IDF权重计算 | 第33-40页 |
| 3.4.1 TF-IDF方法不足 | 第34页 |
| 3.4.2 TF-IDF方法的改进 | 第34-40页 |
| 3.5 基于SVM的微博情感极性分类 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 微博情感细粒度分类研究 | 第43-59页 |
| 4.1 多类别情感词典的构建 | 第43-45页 |
| 4.2 多类别情感词典的扩展 | 第45-51页 |
| 4.2.1 候选情感特征的生成 | 第45-47页 |
| 4.2.2 情感特征抽取 | 第47-49页 |
| 4.2.3 情感倾向及强度判定 | 第49-51页 |
| 4.3 基于情感词典的情感细粒度分类 | 第51-55页 |
| 4.3.1 副词对情感特征的影响 | 第51-53页 |
| 4.3.2 微博情感计算 | 第53-55页 |
| 4.4 基于层次的情感细粒度分类 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 实验 | 第59-67页 |
| 5.1 实验基础 | 第59-60页 |
| 5.1.1 实验数据来源 | 第59页 |
| 5.1.2 实验环境 | 第59-60页 |
| 5.1.3 实验结果评判标准 | 第60页 |
| 5.2 微博情感极性分类实验 | 第60-63页 |
| 5.2.1 实验思路 | 第60-61页 |
| 5.2.2 实验设计及结果分析 | 第61-63页 |
| 5.3 微博情感细粒度分类实验 | 第63-66页 |
| 5.3.1 实验思路 | 第63页 |
| 5.3.2 实验设计及结果分析 | 第63-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67页 |
| 6.2 进一步工作 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
