| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景介绍 | 第8-9页 |
| 1.2 研究目的和意义 | 第9-10页 |
| 1.2.1 研究的目的 | 第9页 |
| 1.2.2 研究的意义 | 第9-10页 |
| 1.3 研究思路和结构 | 第10-13页 |
| 1.3.1 研究内容 | 第10页 |
| 1.3.2 研究方法 | 第10-11页 |
| 1.3.3 研究框架和结构示意图 | 第11-13页 |
| 1.4 本文的创新点 | 第13-14页 |
| 第2章 文献综述与相关理论 | 第14-32页 |
| 2.1 文献综述 | 第14-18页 |
| 2.1.1 文本情感分析相关方法的文献综述 | 第14-17页 |
| 2.1.2 文本情感分析应用领域的文献综述 | 第17-18页 |
| 2.2 相关理论 | 第18-32页 |
| 2.2.1 中文文本分析相关理论 | 第18-25页 |
| 2.2.2 基于机器学习的有监督情感分类算法 | 第25-28页 |
| 2.2.3 基于情感词典的无监督情感分类算法 | 第28-29页 |
| 2.2.4 分类模型的效果评价方法 | 第29-32页 |
| 第3章 手机评论的情感分析实证 | 第32-52页 |
| 3.1 手机评论数据的搜集与预处理 | 第32-33页 |
| 3.2 手机评论数据的特征选择 | 第33-36页 |
| 3.2.1 词云图的制作 | 第33-35页 |
| 3.2.2 基于word2vec词向量的手机属性提取 | 第35-36页 |
| 3.3 基于doc2vec+GBDT模型的手机评论情感分类研究 | 第36-44页 |
| 3.3.1 doc2vec+GBDT模型情感分类效果 | 第36-37页 |
| 3.3.2 情感分类模型算法的比较分析 | 第37-39页 |
| 3.3.3 doc2vec+GBDT模型的调参改进 | 第39-44页 |
| 3.4 doc2vec+GBDT分类模型的应用 | 第44-50页 |
| 3.4.1 热门手机品牌的情感分析 | 第44-49页 |
| 3.4.2 情感分析结果的相关应用场景 | 第49-50页 |
| 3.5 实证小结 | 第50-52页 |
| 第4章 总结与展望 | 第52-54页 |
| 4.1 论文的主要贡献 | 第52页 |
| 4.2 不足与展望 | 第52-54页 |
| 4.2.1 论文研究的不足 | 第52-53页 |
| 4.2.2 未来方向的展望 | 第53-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60-70页 |
