基于机器学习的微博人物关系信息抽取与分析研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 人物关系抽取国内外研究现状 | 第12-14页 |
| 1.2.2 人物关系强度预测国内外研究现状 | 第14-16页 |
| 1.3 论文的研究内容与工作安排 | 第16-17页 |
| 1.3.1 论文的研究内容 | 第16页 |
| 1.3.2 论文的内容安排 | 第16-17页 |
| 第二章 微博人物关系抽取相关技术 | 第17-21页 |
| 2.1 微博语料的特点 | 第17-18页 |
| 2.2 微博人物关系抽取流程 | 第18-19页 |
| 2.3 人物关系抽取 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 人物关系强度预测相关技术 | 第21-29页 |
| 3.1 用户关系建模 | 第21-23页 |
| 3.1.1 基于网络结构的用户关系建模 | 第21-22页 |
| 3.1.2 基于属性的用户关系建模 | 第22-23页 |
| 3.1.3 基于社交行为的用户关系建模 | 第23页 |
| 3.2 相关算法 | 第23-27页 |
| 3.2.1 向量空间模型 | 第23-26页 |
| 3.2.2 中文情感分析 | 第26-27页 |
| 3.3 本章小结 | 第27-29页 |
| 第四章 基于SVMDT_RFC的微博人物关系抽取 | 第29-37页 |
| 4.1 微博人物关系抽取 | 第29页 |
| 4.2 相关算法介绍 | 第29-30页 |
| 4.2.1 随机森林算法 | 第29-30页 |
| 4.2.2 SVM决策树算法 | 第30页 |
| 4.3 SVMDT_RFC算法 | 第30-33页 |
| 4.4 实验仿真 | 第33-35页 |
| 4.5 本章小结 | 第35-37页 |
| 第五章 基于多层感知机的微博用户关系强度预测 | 第37-47页 |
| 5.1 人物关系建模 | 第37-42页 |
| 5.2 多层感知机介绍 | 第42-43页 |
| 5.3 实验仿真 | 第43-46页 |
| 5.3.1 数据的处理 | 第43-44页 |
| 5.3.2 对比试验 | 第44-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 工作总结 | 第47-48页 |
| 6.2 工作展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-55页 |
| 攻读学位期间发表的学术论文目录 | 第55页 |
