基于中文微博的电影评论情感极性分类及舆论演化分析
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-21页 |
| 1.1 研究目的和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 文本情感分类研究现状 | 第12-17页 |
| 1.2.2 微博电影评论的情感分类研究现状 | 第17-19页 |
| 1.3 论文的主要研究内容 | 第19页 |
| 1.4 本文的结构安排 | 第19-21页 |
| 2 相关背景知识 | 第21-27页 |
| 2.1 PMI-IR模型介绍 | 第21页 |
| 2.2 基于机器学习的情感极性分类 | 第21-22页 |
| 2.3 主题模型 | 第22-24页 |
| 2.4 JST模型 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 微博电影评论情感极性分类 | 第27-37页 |
| 3.1 PMI-IR模型的改进 | 第27-29页 |
| 3.2 情感值修正 | 第29-34页 |
| 3.2.1 程度副词分析 | 第30页 |
| 3.2.2 否定句分析 | 第30-32页 |
| 3.2.3 连词分析 | 第32页 |
| 3.2.4 比较句分析 | 第32-33页 |
| 3.2.5 疑问句分析 | 第33-34页 |
| 3.3 表情符分析 | 第34页 |
| 3.4 评论文本的情感值计算 | 第34页 |
| 3.5 算法框架 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 微博电影评论舆论演化分析 | 第37-46页 |
| 4.1 BJST模型的提出 | 第37-38页 |
| 4.2 BJST模型 | 第38-42页 |
| 4.3 主题过滤 | 第42-43页 |
| 4.4 主题强度分析 | 第43页 |
| 4.5 主题相似度计算 | 第43-44页 |
| 4.6 算法框架 | 第44-45页 |
| 4.7 本章小结 | 第45-46页 |
| 5 实验结果与分析 | 第46-63页 |
| 5.1 实验环境 | 第46-47页 |
| 5.2 微博电影评论的情感极性分类实验与分析 | 第47-53页 |
| 5.2.1 数据的处理与获取 | 第47-50页 |
| 5.2.2 评价指标 | 第50-51页 |
| 5.2.3 实验结果与分析 | 第51-53页 |
| 5.3 微博电影评论的舆论演化实验分析 | 第53-62页 |
| 5.3.1 数据获取与处理 | 第53-54页 |
| 5.3.2 定义模型的先验条件 | 第54-55页 |
| 5.3.3 情感分类的实验结果 | 第55-58页 |
| 5.3.4 主题情感提取 | 第58-60页 |
| 5.3.5 舆论演化分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 总结与展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表论文及科研成果 | 第67-68页 |
| 致谢 | 第68-69页 |
