面向银行微博文本的情感分析方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-18页 |
| 1.1 背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 主要内容及论文结构 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 论文结构 | 第16-18页 |
| 2 技术概述 | 第18-25页 |
| 2.1 微博文本特征 | 第18-19页 |
| 2.2 银行业务的领域特征 | 第19-20页 |
| 2.3 文本情感分析方法 | 第20-24页 |
| 2.3.1 基于情感词典的分类方法 | 第21-22页 |
| 2.3.2 基于机器学习的分类方法 | 第22-23页 |
| 2.3.3 两种分类方法的比较 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 银行微博文本特征项的研究 | 第25-40页 |
| 3.1 银行领域停用词表构建 | 第25-29页 |
| 3.1.1 停用词表介绍 | 第25-26页 |
| 3.1.2 银行领域停用词表构建 | 第26-29页 |
| 3.2 TF-IDF公式改进 | 第29-32页 |
| 3.2.1 TF-IDF介绍 | 第29-30页 |
| 3.2.2 TF-IDF公式改进 | 第30-32页 |
| 3.3 LSA相关技术介绍 | 第32-38页 |
| 3.3.1 LSA详解 | 第32-35页 |
| 3.3.2 pLSA | 第35-36页 |
| 3.3.3 LDA | 第36-37页 |
| 3.3.4 LSA、pLSA和LDA的比较 | 第37-38页 |
| 3.4 基于LSA和改进后TF-IDF的混合算法 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 银行微博文本情感分类框架设计 | 第40-56页 |
| 4.1 银行微博文本预处理 | 第41-45页 |
| 4.1.1 信息提取 | 第41-42页 |
| 4.1.2 文本分词 | 第42-44页 |
| 4.1.3 停用词处理 | 第44-45页 |
| 4.2 银行微博特征选择与提取 | 第45-51页 |
| 4.2.1 特征选择 | 第46-49页 |
| 4.2.2 特征提取 | 第49页 |
| 4.2.3 基于混合算法的特征选择和提取 | 第49-51页 |
| 4.3 银行微博分类器的选择与训练 | 第51-54页 |
| 4.3.1 朴素贝叶斯分类方法 | 第51-52页 |
| 4.3.2 逻辑回归分类方法 | 第52-53页 |
| 4.3.3 SVM分类方法 | 第53-54页 |
| 4.4 本章小结 | 第54-56页 |
| 5 实验设计和结果仿真 | 第56-65页 |
| 5.1 开发和运行环境 | 第56-57页 |
| 5.2 数据准备 | 第57-58页 |
| 5.3 评价体系 | 第58-60页 |
| 5.4 实验结果及分析 | 第60-63页 |
| 5.5 本章小结 | 第63-65页 |
| 6 总结和展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
