基于股票评论的情感分析与研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 本文研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 基于情感词典的情感分析 | 第11-12页 |
| 1.2.2 基于机器学习的情感分析 | 第12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本论文的组织结构 | 第13-14页 |
| 第2章 理论基础和相关技术 | 第14-31页 |
| 2.1 数据收集和处理 | 第14-16页 |
| 2.1.1 数据来源 | 第14页 |
| 2.1.2 数据采集 | 第14-16页 |
| 2.2 文本预处理 | 第16-18页 |
| 2.2.1 分词 | 第16-18页 |
| 2.2.2 词性标注 | 第18页 |
| 2.2.3 去停用词 | 第18页 |
| 2.3 基于情感词典的方法 | 第18-19页 |
| 2.4 基于机器学习的情感分析方法 | 第19-24页 |
| 2.4.1 词向量表示 | 第19-23页 |
| 2.4.2 机器学习的方法 | 第23-24页 |
| 2.5 支持向量机(SVM) | 第24-26页 |
| 2.6 主成分分析(PCA) | 第26-27页 |
| 2.7 交叉验证与模型评估 | 第27-29页 |
| 2.7.1 交叉验证 | 第27-28页 |
| 2.7.2 模型评估 | 第28-29页 |
| 2.8 本章小结 | 第29-31页 |
| 第3章 基于情感词典的文本情感分析 | 第31-42页 |
| 3.1 基础词典的构建 | 第31-35页 |
| 3.1.1 常见的情感词典介绍 | 第31-32页 |
| 3.1.2 情感词典的构建 | 第32-33页 |
| 3.1.3 辅助词典的构建 | 第33-35页 |
| 3.2 金融词典的构建 | 第35-37页 |
| 3.2.1 利用PMI算法扩展词典 | 第35-37页 |
| 3.2.2 金融领域词典的生成 | 第37页 |
| 3.3 股票评论情感极性计算方法 | 第37-39页 |
| 3.4 实验结果对比及分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于机器学习的文本情感分析 | 第42-50页 |
| 4.1 基于支持向量机(SVM)的情感分类模型 | 第42页 |
| 4.2 文本向量化 | 第42-44页 |
| 4.3 文本特征选择 | 第44-46页 |
| 4.3.1 卡方检验(CHI) | 第44-45页 |
| 4.3.2 信息增益 | 第45-46页 |
| 4.3.3 互信息 | 第46页 |
| 4.4 特征降维 | 第46-47页 |
| 4.5 实验结果分析 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-55页 |
