网络舆情分析关键技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-18页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·研究内容 | 第15页 |
| ·本文组织结构 | 第15-18页 |
| 第2章 相关技术研究 | 第18-30页 |
| ·文本分类简介 | 第18-19页 |
| ·文本表示模型 | 第19-20页 |
| ·文本特征的选择 | 第20-22页 |
| ·文档频率 | 第20页 |
| ·信息增益 | 第20-21页 |
| ·互信息 | 第21页 |
| ·卡方统计 | 第21-22页 |
| ·特征权重的计算 | 第22-23页 |
| ·文本分类算法 | 第23-26页 |
| ·贝叶斯分类 | 第23-24页 |
| ·KNN分类 | 第24-25页 |
| ·SVM分类 | 第25-26页 |
| ·分类器评价标准 | 第26-28页 |
| ·本章小结 | 第28-30页 |
| 第3章 网络突发事件舆情信息的分类研究 | 第30-44页 |
| ·网络舆情文本分类流程 | 第30-31页 |
| ·舆情文本的预处理过程 | 第31-34页 |
| ·中文分词 | 第31-33页 |
| ·停用词处理 | 第33-34页 |
| ·文档特征项的选择与权值计算 | 第34-43页 |
| ·文本特征的选择 | 第34-38页 |
| ·文本特征权重的计算 | 第38-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 评论文本的情感倾向分析 | 第44-62页 |
| ·HowNet中词语相似度的计算 | 第45-48页 |
| ·词语的情感倾向计算 | 第48-50页 |
| ·基于互信息量的词语情感倾向计算 | 第48-50页 |
| ·基于HowNet的词语情感倾向计算 | 第50页 |
| ·评论文本特征的提取和权值的计算 | 第50-57页 |
| ·基于情感词加权的TF-IDF改进算法 | 第51-52页 |
| ·情感词词典的构建 | 第52页 |
| ·程度副词、否定词和连词对情感词的影响 | 第52-55页 |
| ·基于语义的评论文本特征权值的计算 | 第55-57页 |
| ·基于SVM的评论情感倾向分析 | 第57-60页 |
| ·本章小结 | 第60-62页 |
| 第5章 实验 | 第62-70页 |
| ·实验环境 | 第62页 |
| ·文本分类算法实验 | 第62-66页 |
| ·数据来源 | 第62-63页 |
| ·实验步骤 | 第63-64页 |
| ·实验结果 | 第64-66页 |
| ·评论文本情感倾向分类实验 | 第66-70页 |
| ·数据来源 | 第66页 |
| ·实验步骤 | 第66-67页 |
| ·实验结果 | 第67-70页 |
| 第6章 总结 | 第70-72页 |
| ·论文总结 | 第70-71页 |
| ·进一步工作 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75页 |
