| 内容摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 时代背景 | 第10页 |
| 1.1.2 研究背景 | 第10-11页 |
| 1.2 研究的目的及意义 | 第11-12页 |
| 1.3 研究内容及框架 | 第12-13页 |
| 1.4 研究方法 | 第13页 |
| 1.5 可能的创新之处 | 第13页 |
| 1.6 不足之处 | 第13-15页 |
| 第2章 研究状况 | 第15-19页 |
| 2.1 国外满意度的相关研究 | 第15页 |
| 2.2 国内满意度的相关研究 | 第15-16页 |
| 2.3 国网电力满意度的相关研究 | 第16-17页 |
| 2.4 文本挖掘满意度的相关研究 | 第17-19页 |
| 第3章 文本挖掘相关技术的简介 | 第19-21页 |
| 3.1 中文分词 | 第19页 |
| 3.2 情感分析 | 第19-20页 |
| 3.3 主题模型 | 第20-21页 |
| 第4章 数据准备 | 第21-26页 |
| 4.1 数据提取 | 第21-23页 |
| 4.1.1 国家电网95598业务介绍 | 第21页 |
| 4.1.2 工单数据的介绍 | 第21-22页 |
| 4.1.3 数据的提取 | 第22-23页 |
| 4.2 数据预处理 | 第23-26页 |
| 第5章 客户满意度模型构建 | 第26-38页 |
| 5.1 中文分词 | 第26-30页 |
| 5.1.1 分词的必要性 | 第26页 |
| 5.1.2 分词工具的选择 | 第26-27页 |
| 5.1.3 分词的结果 | 第27-30页 |
| 5.2 情感分析-不满意工单挖掘 | 第30-32页 |
| 5.2.1 情感词典的选择 | 第30页 |
| 5.2.2 情感识别结果 | 第30-32页 |
| 5.3 主题模型—不满意原因分析 | 第32-38页 |
| 5.3.1 主题模型构建 | 第33-34页 |
| 5.3.2 基于Levenshtein距离的语义归纳算法优化 | 第34-35页 |
| 5.3.3 模型效果评价 | 第35-38页 |
| 第6章 主要结论和政策建议 | 第38-41页 |
| 6.1 主要结论 | 第38-39页 |
| 6.2 政策建议 | 第39-41页 |
| 总结 | 第41-42页 |
| 附录1 部分数据展示 | 第42-45页 |
| 附录2 代码整理 | 第45-51页 |
| 附录3 电力词库示例 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 后记 | 第55页 |