| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于情感知识的分析方法 | 第11-12页 |
| 1.2.2 基于机器学习的分析方法 | 第12-13页 |
| 1.3 本文研究内容及组织结构 | 第13-16页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 论文组织结构 | 第14-16页 |
| 第二章 相关关键理论与技术 | 第16-28页 |
| 2.1 微博语言特点 | 第16-17页 |
| 2.2 文本预处理技术 | 第17-19页 |
| 2.2.1 中文分词 | 第17-18页 |
| 2.2.2 停用词移除 | 第18页 |
| 2.2.3 词性标注 | 第18页 |
| 2.2.4 句法分析 | 第18-19页 |
| 2.3 文本表示方法 | 第19-22页 |
| 2.3.1 向量空间模型 | 第19页 |
| 2.3.2 特征选择方法 | 第19-21页 |
| 2.3.3 特征权重计算 | 第21-22页 |
| 2.4 文本情感分类 | 第22-26页 |
| 2.4.1 基于情感知识的情感分类 | 第22-23页 |
| 2.4.2 基于机器学习的情感分类 | 第23-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 微博分类特征选取分析 | 第28-36页 |
| 3.1 微博分类基本特征 | 第28-29页 |
| 3.2 情感极性短语特征 | 第29-31页 |
| 3.3 内嵌句子特征 | 第31-32页 |
| 3.4 复杂句式下语义特征 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 表情情感词典自构建 | 第36-48页 |
| 4.1 微博表情自构建算法流程 | 第36-38页 |
| 4.2 微博表情词典自扩充 | 第38-41页 |
| 4.2.1 默认表情词典与表情集合获取 | 第38-39页 |
| 4.2.2 表情符号极性获取 | 第39-40页 |
| 4.2.3 表情情感词典更新 | 第40-41页 |
| 4.3 实验结果及分析 | 第41-45页 |
| 4.3.1 表情符号噪音处理前实验结果及分析 | 第42-43页 |
| 4.3.2 表情符号噪音处理后实验结果及分析 | 第43-44页 |
| 4.3.3 阈值法筛选表情符号 | 第44-45页 |
| 4.4 本章小结 | 第45-48页 |
| 第五章 基于SVM微博情感分析实验结果及分析 | 第48-56页 |
| 5.1 基于SVM的情感分析算法流程 | 第48-49页 |
| 5.2 实验数据集 | 第49-50页 |
| 5.3 评价指标 | 第50页 |
| 5.4 实验对比与分析 | 第50-54页 |
| 5.4.1 基于SVM和复杂句式下语义特征的情感分析实验结果与分析 | 第50-52页 |
| 5.4.2 基于不同自扩充表情情感词典的微博情感分析实验结果与分析 | 第52-54页 |
| 5.5 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文 | 第64页 |