| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题的背景及意义 | 第9-14页 |
| 1.1.1 国内外微博发展现状 | 第12-13页 |
| 1.1.2 微博的功能与特点 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 情感分析研究现状 | 第14-16页 |
| 1.2.2 微博情感分析研究现状 | 第16-18页 |
| 1.3 本文的研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 第2章 相关理论和技术 | 第20-26页 |
| 2.1 云模型简介 | 第20-23页 |
| 2.1.1 云模型的定义 | 第20页 |
| 2.1.2 云模型的数字特征 | 第20-21页 |
| 2.1.3 云发生器 | 第21-23页 |
| 2.2 贝叶斯网络基础理论基本概念 | 第23-26页 |
| 2.2.1 贝叶斯网络分类器简介 | 第23-24页 |
| 2.2.2 朴素贝叶斯分类器 | 第24-25页 |
| 2.2.3 增强的朴素贝叶斯分类器 | 第25-26页 |
| 第3章 基于语义和云模型的微博特征提取 | 第26-39页 |
| 3.1 微博文本预处理 | 第26-29页 |
| 3.1.1 微博查重 | 第26页 |
| 3.1.2 中文分词 | 第26-27页 |
| 3.1.3 停用词过滤 | 第27页 |
| 3.1.4 词频统计 | 第27页 |
| 3.1.5 特征提取 | 第27-28页 |
| 3.1.6 特征权重计算 | 第28-29页 |
| 3.2 常用特征提取方法 | 第29-30页 |
| 3.3 基于语义和云模型的特征提取方法 | 第30-36页 |
| 3.3.1 基于x~2统计方法的微博文本特征矩阵改进 | 第31-33页 |
| 3.3.2 基于云模型和语义的微博文本特征自动提取算法 | 第33-36页 |
| 3.4 实验结果及分析 | 第36-38页 |
| 3.4.1 实验数据 | 第36-37页 |
| 3.4.2 实验结果分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于组合贝叶斯网络的微博情感分析 | 第39-51页 |
| 4.1 ADABOOST 方法简介 | 第39-41页 |
| 4.1.1 AdaBoost 方法 | 第39-40页 |
| 4.1.2 贝叶斯网络组合分类 | 第40-41页 |
| 4.2 基于组合贝叶斯网络的微博情感分析 | 第41-43页 |
| 4.2.1 多贝叶斯网络的产生 | 第41页 |
| 4.2.2 基于组合贝叶斯网络的微博情感分析 | 第41-43页 |
| 4.3 微博情感分析的实现 | 第43-46页 |
| 4.4 实验与结果分析 | 第46-50页 |
| 4.4.1 实验数据 | 第46-47页 |
| 4.4.2 衡量标准 | 第47页 |
| 4.4.3 结果分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-56页 |
| 致谢 | 第56页 |