| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-11页 |
| 1.3 国内外研究现状与分析 | 第11-15页 |
| 1.3.1 词语级情感分析 | 第11-12页 |
| 1.3.2 语句级情感分析 | 第12-13页 |
| 1.3.3 文档级情感分析 | 第13-15页 |
| 1.4 研究内容 | 第15页 |
| 1.5 组织结构 | 第15-17页 |
| 第二章 文本情感分析基本理论 | 第17-26页 |
| 2.1 文本情感分类 | 第17-19页 |
| 2.1.1 文本情感分类流程介绍 | 第17页 |
| 2.1.2 文本情感分类特点 | 第17-18页 |
| 2.1.3 文本情感分类表示模型 | 第18-19页 |
| 2.2 机器学习算法介绍 | 第19-25页 |
| 2.2.1 监督学习算法介绍 | 第20-24页 |
| 2.2.2 无监督学习算法介绍 | 第24页 |
| 2.2.3 半监督学习算法介绍 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 微博情感分析特征研究 | 第26-35页 |
| 3.1 微博及其特点 | 第26页 |
| 3.2 中文微博情感词典构造 | 第26-28页 |
| 3.2.1 基础情感词典构造 | 第27-28页 |
| 3.2.2 情感词典扩展 | 第28页 |
| 3.3 微博语料预处理 | 第28-31页 |
| 3.3.1 去噪 | 第29-30页 |
| 3.3.2 分词和词性标记 | 第30页 |
| 3.3.3 去停用词 | 第30-31页 |
| 3.4 特征提取算法 | 第31-33页 |
| 3.5 特征权重算法 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于半监督学习的微博情感分析算法研究 | 第35-43页 |
| 4.1 半监督学习算法介绍 | 第35-36页 |
| 4.1.1 EM(Exception-Maximization)算法 | 第35页 |
| 4.1.2 Co-training算法 | 第35-36页 |
| 4.1.3 基于图的算法 | 第36页 |
| 4.2 TSVM算法和PTSVM算法介绍 | 第36-42页 |
| 4.2.1 TSVM算法介绍 | 第36-39页 |
| 4.2.2 PTSVM算法介绍 | 第39-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 算法改进与实验分析 | 第43-56页 |
| 5.1 基于特征融合的特征提取改进算法 | 第43-45页 |
| 5.1.1 问题分析与改进思路 | 第43页 |
| 5.1.2 实验结果分析 | 第43-45页 |
| 5.2 基于加权的特征权重改进算法 | 第45-47页 |
| 5.2.1 问题分析与改进思路 | 第45-46页 |
| 5.2.2 实验结果分析 | 第46-47页 |
| 5.3 基于改进k-近邻的渐进直推式支持向量机算法 | 第47-55页 |
| 5.3.1 文本聚类算法介绍 | 第47-50页 |
| 5.3.2 问题分析 | 第50-51页 |
| 5.3.3 改进思路 | 第51-52页 |
| 5.3.4 实验结果与分析 | 第52-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 作者在读期间科研成果简介 | 第63-64页 |
| 致谢 | 第64页 |