| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 课题来源 | 第10-12页 |
| 1.4 论文的主要研究内容 | 第12页 |
| 1.5 论文的组织结构 | 第12-14页 |
| 第二章 研究现状及相关技术概述 | 第14-22页 |
| 2.1 引言 | 第14页 |
| 2.2 情感分析 | 第14-17页 |
| 2.2.1 文本主客观极性分类 | 第15页 |
| 2.2.2 主观文本情感极性分类 | 第15-17页 |
| 2.3 微博情感分析 | 第17-20页 |
| 2.3.1 基于情感字典及规则的微博情感分析 | 第17-18页 |
| 2.3.2 基于机器学习算法的微博情感分析 | 第18-20页 |
| 2.3.3 中文微博情感分析 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 新浪微博数据收集及预处理 | 第22-30页 |
| 3.1 引言 | 第22页 |
| 3.2 新浪微博 | 第22页 |
| 3.3 微博数据采集 | 第22-26页 |
| 3.3.1 基于新浪API的微博采集 | 第23-24页 |
| 3.3.2 基于自定义爬虫的微博采集 | 第24-26页 |
| 3.4 微博文本预处理 | 第26-29页 |
| 3.4.1 提取文本数据 | 第27-28页 |
| 3.4.2 繁化简处理 | 第28页 |
| 3.4.3 分词处理 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于标签序列学习的中文微博情感分析 | 第30-40页 |
| 4.1 引言 | 第30页 |
| 4.2 基于上下文特征的微博文本表示 | 第30-34页 |
| 4.2.1 正点互信息-奇异值分解（PPMI-SVD） | 第31-33页 |
| 4.2.2 基于负采样优化的Skip-gram（SGNS） | 第33-34页 |
| 4.3 基于标签序列学习的情感分类算法 | 第34-39页 |
| 4.3.1 标签序列学习 | 第35-36页 |
| 4.3.2 基于SVMhmm算法的情感分类模型 | 第36-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 实验及相关分析 | 第40-49页 |
| 5.1 引言 | 第40页 |
| 5.2 数据集描述 | 第40页 |
| 5.3 实验环境及方法实现 | 第40-42页 |
| 5.3.1 朴素贝叶斯 | 第41页 |
| 5.3.2 多分类支持向量机 | 第41-42页 |
| 5.4 实验设置 | 第42-43页 |
| 5.4.1 特征分析 | 第42页 |
| 5.4.2 模型选择及参数设置 | 第42-43页 |
| 5.5 实验结果 | 第43-45页 |
| 5.5.1 评价指标 | 第43-44页 |
| 5.5.2 完整微博数据集下的相关实验 | 第44页 |
| 5.5.3 富含上下文微博消息数据集下的相关实验 | 第44-45页 |
| 5.6 实验分析 | 第45-48页 |
| 5.7 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 研究总结 | 第49页 |
| 6.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 在校期间研究成果 | 第55-56页 |
| 致谢 | 第56页 |