微博的情感分析与预测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1. 研究的背景及意义 | 第9-10页 |
| 1.2. 国内外研究现状 | 第10-11页 |
| 1.2.1. 情感分析 | 第10-11页 |
| 1.2.2. 数据预测 | 第11页 |
| 1.3. 论文研究工作 | 第11-12页 |
| 1.4. 论文结构 | 第12-14页 |
| 第2章 相关技术与理论分析 | 第14-25页 |
| 2.1. 微博特性 | 第14-15页 |
| 2.2. 文本数据预处理 | 第15-18页 |
| 2.2.1. 数据清洗 | 第15-16页 |
| 2.2.2. 分词及词性标注 | 第16-17页 |
| 2.2.3. 文本向量空间表示模型 | 第17-18页 |
| 2.3. 观点句的提取 | 第18页 |
| 2.4. 特征选择 | 第18-19页 |
| 2.4.1. TF-IDF | 第18-19页 |
| 2.4.2. 卡方检验 | 第19页 |
| 2.4.3. 信息增益 | 第19页 |
| 2.5. 情感分析方法 | 第19-22页 |
| 2.5.1. 基于情感词典的分析方法 | 第19-21页 |
| 2.5.2. 基于机器学习的情感分析方法 | 第21-22页 |
| 2.6. 神经网络 | 第22-24页 |
| 2.6.1. 神经网络介绍 | 第22页 |
| 2.6.2. BP算法 | 第22-24页 |
| 2.7. 本章小结 | 第24-25页 |
| 第3章 基于领域词典的多规则情感分析 | 第25-38页 |
| 3.1. 词库构建 | 第25-27页 |
| 3.1.1. 基本词库 | 第25-26页 |
| 3.1.2. 多义词库 | 第26页 |
| 3.1.3. 程度词库 | 第26页 |
| 3.1.4. 表情词库 | 第26-27页 |
| 3.2. 扩展领域词库 | 第27-29页 |
| 3.3. 依存关系分析 | 第29-30页 |
| 3.4. 多规则情感分析策略 | 第30-33页 |
| 3.4.1. 规则定义 | 第30-31页 |
| 3.4.2. 多规则策略 | 第31-33页 |
| 3.5. 基于领域词典情感分析实验 | 第33-37页 |
| 3.5.1. 数据来源 | 第33页 |
| 3.5.2. 评价方法 | 第33-34页 |
| 3.5.3. 领域词典扩展结果 | 第34-36页 |
| 3.5.4. 情感分析结果 | 第36-37页 |
| 3.6. 本章小结 | 第37-38页 |
| 第4章 基于机器学习的情感分析方法 | 第38-45页 |
| 4.1. SVM向量机 | 第38-40页 |
| 4.1.1. 介绍 | 第38-39页 |
| 4.1.2. SVM分类流程 | 第39-40页 |
| 4.2. 朴素贝叶斯 | 第40-41页 |
| 4.3. 特征值选取 | 第41-42页 |
| 4.4. 基于机器学习的情感分析实验 | 第42-44页 |
| 4.4.1. LibSVM | 第42-43页 |
| 4.4.2. 实验结果及分析 | 第43-44页 |
| 4.5. 本章小结 | 第44-45页 |
| 第5章 基于改进的LM算法的微博预测 | 第45-54页 |
| 5.1. 算法介绍 | 第45-47页 |
| 5.1.1. 传统神经网络训练算法 | 第45页 |
| 5.1.2. 梯度下降法 | 第45页 |
| 5.1.3. 动量法 | 第45-46页 |
| 5.1.4. 高斯牛顿法 | 第46页 |
| 5.1.5. LM算法 | 第46-47页 |
| 5.2. 改进的LM算法 | 第47-48页 |
| 5.2.1. 理论分析 | 第47-48页 |
| 5.2.2. 算法步骤 | 第48页 |
| 5.3. 改进的LM算法效率实验 | 第48-50页 |
| 5.4. 微博预测实验 | 第50-52页 |
| 5.4.1. 数据获取 | 第50-51页 |
| 5.4.2. 训练结果 | 第51-52页 |
| 5.4.3. 预测结果 | 第52页 |
| 5.5. 本章小结 | 第52-54页 |
| 第6章 结论及展望 | 第54-56页 |
| 6.1. 工作总结 | 第54-55页 |
| 6.2. 工作展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-59页 |
