面向主题的中文文本观点检索研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-17页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 本文主要研究内容及创新点 | 第15-16页 |
| 1.3 文章结构 | 第16-17页 |
| 第二章 相关研究工作 | 第17-27页 |
| 2.1 观点检索 | 第17-19页 |
| 2.2 倾向性分析 | 第19-23页 |
| 2.3 相关评测 | 第23-26页 |
| 2.3.1 TREC博客倾向性检索 | 第23页 |
| 2.3.2 中文文本倾向性分析评测 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 主题检索 | 第27-39页 |
| 3.1 主题检索算法与模型 | 第27-33页 |
| 3.1.1 布尔模型 | 第27-29页 |
| 3.1.2 向量空间模型 | 第29-30页 |
| 3.1.3 概率检索模型 | 第30-32页 |
| 3.1.4 语言模型 | 第32-33页 |
| 3.2 查询扩展 | 第33-36页 |
| 3.2.1 查询扩展的意义 | 第33-34页 |
| 3.2.2 基于伪反馈与外部资源像结合的查询扩展 | 第34-36页 |
| 3.3 实验与结果分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于线性拟合模型的观点检索 | 第39-44页 |
| 4.1 主题检索 | 第39-40页 |
| 4.2 情感分析 | 第40-41页 |
| 4.3 实验 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于生成模型的观点检索 | 第44-55页 |
| 5.1 原理与模型介绍 | 第44-45页 |
| 5.2 算法实现 | 第45-48页 |
| 5.2.1 主题相关检索 | 第45-46页 |
| 5.2.2 文本情感计算 | 第46-47页 |
| 5.2.3 基于生成模型的观点检索的排序函数 | 第47-48页 |
| 5.3 实验 | 第48-54页 |
| 5.3.1 不同情感词词典下的检索效果 | 第48-50页 |
| 5.3.2 不同主题检索公式下的效果 | 第50-51页 |
| 5.3.3 不同窗口大小的检索效果 | 第51-52页 |
| 5.3.4 不同拟合模型的比较 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 基于关联度的观点检索 | 第55-66页 |
| 6.1 基于关联度的观点检索算法 | 第55-57页 |
| 6.2 算法的实现 | 第57-61页 |
| 6.2.1 查询主题与扩展主题关联度的计算 | 第57-58页 |
| 6.2.2 每个查询词与文本关联度的计算 | 第58-59页 |
| 6.2.3 文本情感词情感的计算 | 第59-60页 |
| 6.2.4 情感与主题的关联度的计算 | 第60-61页 |
| 6.3 实验 | 第61-64页 |
| 6.3.1 不同情感词词典的检索效果 | 第61-62页 |
| 6.3.2 不同文本检索算法的检索效果5 | 第62-63页 |
| 6.3.3 不同观点检索方法的比较 | 第63-64页 |
| 6.4 本章小结 | 第64-66页 |
| 第七章 文本倾向性分析 | 第66-76页 |
| 7.1 基于支持向量机的文本倾向性分类 | 第66-67页 |
| 7.1.1 支持向量机介绍 | 第66-67页 |
| 7.1.2 基于SVM的文本倾向性分类 | 第67页 |
| 7.2 基于细颗粒度的倾向性判别 | 第67-73页 |
| 7.2.2 极性词词典的构造 | 第68-72页 |
| 7.2.2.1 知网介绍 | 第68-70页 |
| 7.2.2.2 利用义原构造词典 | 第70-72页 |
| 7.2.3 基于细颗粒度的文本倾向性分析算法 | 第72-73页 |
| 7.2.3.1 工具选用 | 第72页 |
| 7.2.3.2 基于词汇的倾向性分析 | 第72-73页 |
| 7.3 实验与分析 | 第73-75页 |
| 7.4 本章小结 | 第75-76页 |
| 第八章 总结与展望 | 第76-78页 |
| 8.1 本文的工作总结 | 第76-77页 |
| 8.2 未来的工作展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 攻读学位期间发表的学术论文 | 第84-86页 |
