| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第14-17页 |
| 1.1 研究背景和意义 | 第14页 |
| 1.2 本文的主要工作 | 第14-15页 |
| 1.3 论文的组织结构 | 第15-17页 |
| 第2章 电影评论数据的聚类分析与可视化方法的研究现状 | 第17-28页 |
| 2.1 文本关键词提取技术 | 第17-21页 |
| 2.1.1 基于机器学习分析法 | 第17-19页 |
| 2.1.2 基于统计分析法 | 第19-20页 |
| 2.1.3 基于网络分析法 | 第20-21页 |
| 2.2 文本数据可视化方法 | 第21-26页 |
| 2.2.1 基于文本内容的可视化 | 第21-23页 |
| 2.2.2 基于文本关系的可视化 | 第23-24页 |
| 2.2.3 基于多层面信息的可视化 | 第24-26页 |
| 2.3 电影评论数据的分析与可视化 | 第26-28页 |
| 2.3.1 电影评论数据特点 | 第26-27页 |
| 2.3.2 电影数据的可视化方法 | 第27-28页 |
| 第3章 基于词向量和相关性计算的影评关键词提取 | 第28-35页 |
| 3.1 词向量及其相关性计算 | 第28-29页 |
| 3.1.1 词向量 | 第28-29页 |
| 3.1.2 词向量相关性计算 | 第29页 |
| 3.2 影评关键词表的建立 | 第29-32页 |
| 3.2.1 影评关键词表 | 第29-30页 |
| 3.2.2 实现方法概述 | 第30-32页 |
| 3.3 词向量和相关性分析提取关键词 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于聚类算法的影评星级评分分析 | 第35-45页 |
| 4.1 K-means聚类算法 | 第35-40页 |
| 4.1.1 K-means简介 | 第35-36页 |
| 4.1.2 算法步骤 | 第36-37页 |
| 4.1.3 聚类结果可视化 | 第37-40页 |
| 4.2 相关性计算 | 第40-42页 |
| 4.2.1 皮尔逊相关系数 | 第40-41页 |
| 4.2.2 五个维度分别与总评分进行相关性计算 | 第41-42页 |
| 4.3 不同聚类类别的电影的评论分析 | 第42-45页 |
| 第5章 长影评文本数据线性回归分析 | 第45-56页 |
| 5.1 回归分析 | 第45-48页 |
| 5.2 画面要素细分 | 第48-49页 |
| 5.3 主成分分析 | 第49-51页 |
| 5.3.1 主成分分析的原理 | 第49页 |
| 5.3.2 影评数据PCA计算 | 第49-51页 |
| 5.4 离群点数据的分析 | 第51-56页 |
| 5.4.1 基于标准差的离群点分析 | 第54页 |
| 5.4.2 基于平均值和比例的离群点分析 | 第54-56页 |
| 第6章 电影长影评数据可视化方法 | 第56-63页 |
| 6.1 文本情感分析概述 | 第56-57页 |
| 6.1.1 情感分析 | 第56页 |
| 6.1.2 百度自然语言情感分析API | 第56-57页 |
| 6.2 长影评文本情感分析方法 | 第57-60页 |
| 6.2.1 长影评文本预处理 | 第57-59页 |
| 6.2.2 情感分析 | 第59-60页 |
| 6.3 桑基图和平行坐标结合的长影评情感数据可视化 | 第60-62页 |
| 6.3.1 桑基图 | 第60页 |
| 6.3.2 平行坐标 | 第60-61页 |
| 6.3.3 长影评文本情感倾向数据可视化 | 第61-62页 |
| 6.4 本章小结 | 第62-63页 |
| 第7章 总结和展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 学位论文评阅及答辩情况表 | 第69页 |