| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 第二章 文本情感极性判别相关知识 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 中文情感词典 | 第17-19页 |
| 2.3 特征选择方法 | 第19-21页 |
| 2.4 文本情感分类器 | 第21-26页 |
| 2.4.1 K近邻分类器 | 第21-22页 |
| 2.4.2 朴素贝叶斯分类器 | 第22-24页 |
| 2.4.3 支持向量机分类器 | 第24-25页 |
| 2.4.4 决策树分类器 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于情感词和语义规则的微博情感极性判别方法 | 第27-39页 |
| 3.1 引言 | 第27页 |
| 3.2 微博数据抓取与预处理 | 第27-29页 |
| 3.2.1 微博数据抓取 | 第27-28页 |
| 3.2.2 微博预处理 | 第28-29页 |
| 3.3 情感词提取 | 第29-31页 |
| 3.4 语义规则与表情符号作用 | 第31-35页 |
| 3.4.1 句内规则 | 第31-32页 |
| 3.4.2 句间规则 | 第32-33页 |
| 3.4.3 微博表情符号作用 | 第33-35页 |
| 3.5 方法流程图 | 第35-36页 |
| 3.6 实验结果及分析 | 第36-38页 |
| 3.6.1 实验数据集 | 第36页 |
| 3.6.2 评价指标 | 第36-37页 |
| 3.6.3 实验结果 | 第37-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第四章 基于Adaboost和分类器加权投票的微博情感极性判别方法 | 第39-51页 |
| 4.1 引言 | 第39页 |
| 4.2 N-gram文本表示 | 第39-41页 |
| 4.2.1 空间向量模型 | 第39-40页 |
| 4.2.2 n-gram特征抽取 | 第40-41页 |
| 4.3 Adaboost方法 | 第41-43页 |
| 4.3.1 集成学习方法 | 第41-42页 |
| 4.3.2 Adaboost算法 | 第42-43页 |
| 4.4 分类器加权投票 | 第43-45页 |
| 4.5 方法流程图 | 第45-46页 |
| 4.6 实验结果及分析 | 第46-50页 |
| 4.6.1 不同特征维数表示下基分类器实验结果 | 第47-49页 |
| 4.6.2 Adaboost提升分类器实验结果 | 第49-50页 |
| 4.6.3 最终分类器实验结果 | 第50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-52页 |
| 5.1 本文工作总结 | 第51页 |
| 5.2 后期工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士期间所发表论文 | 第57页 |