| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11页 |
| 1.4 文章组织结构 | 第11-13页 |
| 第2章 情绪分析的技术概述 | 第13-24页 |
| 2.1 基于词典的技术 | 第13-17页 |
| 2.1.1 人工构建情绪词典 | 第14-15页 |
| 2.1.2 自动构建情绪词典 | 第15-17页 |
| 2.2 机器学习方法 | 第17-23页 |
| 2.2.1 基于朴素贝叶斯(Naive Bayes NB)的方法 | 第18-20页 |
| 2.2.2 基于最大熵(Maximum Entropy ME)的方法 | 第20-21页 |
| 2.2.3 基于支持向量机(Support Vector Machine,SVM)的方法 | 第21-22页 |
| 2.2.4 基于主题模型的方法 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 抑郁情绪词典及相关资源的构建 | 第24-33页 |
| 3.1 构建相关词典 | 第24-26页 |
| 3.1.1 构建抑郁情绪词典 | 第24-25页 |
| 3.1.2 修改程度副词词典 | 第25页 |
| 3.1.3 整合否定词词典 | 第25-26页 |
| 3.2 扩充抑郁情绪词典 | 第26-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第4章 利用抑郁情绪词典判断微博用户情绪 | 第33-41页 |
| 4.1 实验环境搭建 | 第33-34页 |
| 4.2 利用抑郁情绪词典进行情绪分析 | 第34-39页 |
| 4.2.1 情绪分析流程 | 第34-35页 |
| 4.2.2 获取数据并进行预处理 | 第35-37页 |
| 4.2.3 利用抑郁情绪词典进行情绪分析 | 第37-39页 |
| 4.3 实验结果及分析 | 第39-40页 |
| 4.3.1 对比实验 | 第39-40页 |
| 4.3.2 预测微博用户情绪 | 第40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 总结与展望 | 第41-43页 |
| 5.1 研究工作总结 | 第41页 |
| 5.2 进一步工作 | 第41-43页 |
| 参考文献 | 第43-46页 |
| 在读期间发表的学术论文及研究成果 | 第46-47页 |
| 致谢 | 第47页 |
