基于文本倾向性分析技术的微博监控系统
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究的背景 | 第13-14页 |
| 1.2 课题研究的目的和意义 | 第14页 |
| 1.3 国内外研究现状与发展趋势 | 第14-17页 |
| 1.3.1 文本倾向性分析国内外现状 | 第14-15页 |
| 1.3.2 微博情感分析国内外现状 | 第15-16页 |
| 1.3.3 国内外相关产品现状 | 第16-17页 |
| 1.4 论文主要工作 | 第17-19页 |
| 第2章 相关介绍与理论概述 | 第19-31页 |
| 2.1 自然语言处理 | 第19-20页 |
| 2.2 数据采集技术 | 第20-22页 |
| 2.3 中文分词技术 | 第22-24页 |
| 2.3.1 中文分词 | 第22-23页 |
| 2.3.2 中文分词系统 | 第23-24页 |
| 2.4 文本倾向性分析技术 | 第24-29页 |
| 2.4.1 基于语义分析技术 | 第24-27页 |
| 2.4.2 基于机器学习分析技术 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 文本倾向性关键技术研究 | 第31-51页 |
| 3.1 文本数据预处理 | 第31-32页 |
| 3.1.1 微博数据集 | 第31页 |
| 3.1.2 微博预处理 | 第31-32页 |
| 3.2 领域情感词典的构建 | 第32-35页 |
| 3.2.1 基准情感词典构建 | 第32-33页 |
| 3.2.2 领域极性词典构建 | 第33-34页 |
| 3.2.3 领域情感词情感强度判定 | 第34-35页 |
| 3.3 其他情感词典构建 | 第35-39页 |
| 3.3.1 基础词典的构建 | 第35-36页 |
| 3.3.2 修饰副词词典的构建 | 第36-37页 |
| 3.3.3 表情符号词典的构建 | 第37-38页 |
| 3.3.4 网络词汇词典的构建 | 第38-39页 |
| 3.4 短语模板和依存句法分析 | 第39-45页 |
| 3.4.1 短语模板分析 | 第39-41页 |
| 3.4.2 依存句法分析 | 第41-44页 |
| 3.4.3 句子情感倾向的计算 | 第44-45页 |
| 3.5 基于语义的文本倾向性分析算法设计 | 第45-47页 |
| 3.5.1 分句处理 | 第46-47页 |
| 3.5.2 文本预处理 | 第47页 |
| 3.5.3 短语模板匹配和倾向性计算 | 第47页 |
| 3.6 实验结果及分析 | 第47-48页 |
| 3.6.1 实验结果 | 第47-48页 |
| 3.6.2 实验结果分析 | 第48页 |
| 3.7 本章小结 | 第48-51页 |
| 第4章 微博舆情监控系统设计 | 第51-69页 |
| 4.1 系统总体设计 | 第51-55页 |
| 4.1.1 系统模块设计 | 第51-53页 |
| 4.1.2 系统架构设计 | 第53-55页 |
| 4.1.3 系统硬件架构设计 | 第55页 |
| 4.2 系统模块设计 | 第55-64页 |
| 4.2.1 微博采集模块设计 | 第55-58页 |
| 4.2.2 微博分析模块设计 | 第58-63页 |
| 4.2.3 微博服务模块设计 | 第63-64页 |
| 4.3 数据库设计 | 第64-67页 |
| 4.3.1 表结构设计 | 第65-67页 |
| 4.4 本章小结 | 第67-69页 |
| 第5章 微博舆情监控系统测试 | 第69-75页 |
| 5.1 功能测试 | 第69-72页 |
| 5.2 性能测试 | 第72-74页 |
| 5.2.1 评价指标 | 第72页 |
| 5.2.2 测试结果分析 | 第72-74页 |
| 5.3 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 本论文总结 | 第75页 |
| 6.2 未来的工作 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士期间发表的学术论文 | 第81-83页 |
| 致谢 | 第83页 |
