基于Hadoop的微博舆情分类的研究与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 选题意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 舆情分析研究概况 | 第12-13页 |
| 1.2.2 短文本分类研究概况 | 第13页 |
| 1.2.3 情感分类研究概况 | 第13-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-18页 |
| 第二章 微博舆情分类框架与处理过程 | 第18-34页 |
| 2.1 数据采集 | 第19-20页 |
| 2.2 微博数据预处理 | 第20-22页 |
| 2.2.1 中文分词 | 第20-21页 |
| 2.2.2 数据清洗 | 第21-22页 |
| 2.2.3 特征选择 | 第22页 |
| 2.3 LDA模型概述 | 第22-26页 |
| 2.4 常用分类算法 | 第26-30页 |
| 2.5 分类性能评估 | 第30-32页 |
| 2.6 微博文本分类特点 | 第32页 |
| 2.7 本章小结 | 第32-34页 |
| 第三章 基于组合支持向量机系统的微博舆情分类 | 第34-52页 |
| 3.1 研究背景 | 第34-36页 |
| 3.2 基于LDA的半监督主题表示模型 | 第36-39页 |
| 3.2.1 目标舆情事件训练集 | 第36页 |
| 3.2.2 无关舆情事件训练集 | 第36-39页 |
| 3.3 非平衡数据分类问题 | 第39-41页 |
| 3.3.1 非平衡数据分类面临的困难 | 第39-40页 |
| 3.3.2 非平衡数据分类解决方法 | 第40页 |
| 3.3.3 数据不平衡给分类器造成的影响 | 第40-41页 |
| 3.4 组合支持向量机模型 | 第41-46页 |
| 3.4.1 自举法与单个SVM的结合 | 第42-43页 |
| 3.4.2 多个SVM组合模型 | 第43-46页 |
| 3.5 实验结果及分析 | 第46-50页 |
| 3.5.1 数据集 | 第46-47页 |
| 3.5.2 比对算法 | 第47页 |
| 3.5.3 实验结果及分析 | 第47-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第四章 一种混合的微博情感分类算法 | 第52-68页 |
| 4.1 研究背景 | 第52-53页 |
| 4.2 混合的情感分类算法 | 第53-59页 |
| 4.2.1 算法概述 | 第53-54页 |
| 4.2.2 算法对比 | 第54-55页 |
| 4.2.3 算法实现 | 第55-59页 |
| 4.3 微博舆情情感分类结果 | 第59-66页 |
| 4.3.1 实验数据 | 第59页 |
| 4.3.2 二元情感分类 | 第59-63页 |
| 4.3.3 多元情感分类 | 第63-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第五章 基于Hadoop的微博舆情分类系统 | 第68-84页 |
| 5.1 实验环境 | 第68-70页 |
| 5.2 系统模块概述 | 第70-79页 |
| 5.2.1 数据流存储 | 第71-73页 |
| 5.2.2 舆情分类模块设计 | 第73-78页 |
| 5.2.3 情感分类模块设计 | 第78-79页 |
| 5.3 实验结果 | 第79-82页 |
| 5.3.1 舆情分析结果 | 第79-81页 |
| 5.3.2 Hadoop平台下微博舆情分类的结果 | 第81页 |
| 5.3.3 Hadoop平台下微博情感分类的结果 | 第81-82页 |
| 5.4 本章小结 | 第82-84页 |
| 第六章 总结与展望 | 第84-88页 |
| 6.1 论文总结 | 第84-86页 |
| 6.2 下一步的工作 | 第86-88页 |
| 参考文献 | 第88-90页 |
| 致谢 | 第90页 |
