面向中文微博情感分析的多特征融合方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题的研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 情感分析与文本特征 | 第13-14页 |
| 1.2.2 基于单特征的情感分析 | 第14-15页 |
| 1.2.3 融合多特征的情感分析 | 第15-16页 |
| 1.3 研究内容及安排 | 第16-19页 |
| 第二章 相关理论与背景知识 | 第19-28页 |
| 2.1 情感分析及流程 | 第19-20页 |
| 2.2 情感词典 | 第20页 |
| 2.3 文本的预处理 | 第20-23页 |
| 2.3.1 数据清洗 | 第20-21页 |
| 2.3.2 中文分词 | 第21-22页 |
| 2.3.3 去停用词 | 第22页 |
| 2.3.4 微博文本结构化 | 第22-23页 |
| 2.4 特征选择 | 第23-26页 |
| 2.4.1 信息增益 | 第24页 |
| 2.4.2 互信息 | 第24-25页 |
| 2.4.3 卡方检验 | 第25-26页 |
| 2.5 分类器简介 | 第26-27页 |
| 2.6 评价指标 | 第27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 基于情感词典的分值特征 | 第28-36页 |
| 3.1 传统基于情感词典特征的情感分析 | 第28-29页 |
| 3.2 改进的情感词典分值特征抽取 | 第29-33页 |
| 3.2.1 词典构建 | 第29-31页 |
| 3.2.2 基于SO-PMI算法情感词典扩充 | 第31-33页 |
| 3.2.3 特征生成 | 第33页 |
| 3.3 实验结果与分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于机器学习的概率特征 | 第36-48页 |
| 4.1 传统基于机器学习特征的情感分析 | 第36-37页 |
| 4.2 改进的机器学习概率特征抽取 | 第37-44页 |
| 4.2.1 集成分类器 | 第39-43页 |
| 4.2.2 特征生成 | 第43-44页 |
| 4.3 实验结果与分析 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于深度学习的词向量特征 | 第48-52页 |
| 5.1 词向量 | 第48-49页 |
| 5.2 word2Vec与特征生成 | 第49-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 多特征融合的情感分析 | 第52-58页 |
| 6.1 多特征融合方法 | 第52-54页 |
| 6.2 实验与结果分析 | 第54-57页 |
| 6.3 本章小结 | 第57-58页 |
| 总结与展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文 | 第64-66页 |
| 致谢 | 第66页 |
