互联网商品评论情感分析研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 2 情感分析相关技术概述 | 第14-24页 |
| 2.1 文本情感分析流程 | 第14页 |
| 2.2 网络爬虫概述 | 第14-15页 |
| 2.3 中文分词技术 | 第15-16页 |
| 2.4 文本表示模型 | 第16-17页 |
| 2.5 特征选择算法 | 第17-19页 |
| 2.5.1 文档频率 | 第17-18页 |
| 2.5.2 信息增益 | 第18-19页 |
| 2.5.3 期望交叉熵 | 第19页 |
| 2.6 文本分类算法概述 | 第19-23页 |
| 2.6.1 Rocchio分类算法 | 第19-20页 |
| 2.6.2 朴素贝叶斯分类算法 | 第20-21页 |
| 2.6.3 K最近邻分类算法 | 第21-23页 |
| 2.7 本章小结 | 第23-24页 |
| 3 基于组合神经网络的商品属性聚类算法 | 第24-33页 |
| 3.1 引言 | 第24页 |
| 3.2 BP神经网络 | 第24-26页 |
| 3.3 SOM神经网络 | 第26-28页 |
| 3.4 词语上下文窗口 | 第28-29页 |
| 3.5 基于组合神经网络的商品属性聚类算法 | 第29页 |
| 3.6 基于组合神经网络的商品属性聚类过程 | 第29-32页 |
| 3.6.1 构造候选属性集 | 第29-30页 |
| 3.6.2 哈夫曼编码 | 第30-31页 |
| 3.6.3 组合神经网络训练及聚类 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 4 基于支持向量机和情感词典的情感分析方法 | 第33-42页 |
| 4.1 引言 | 第33页 |
| 4.2 文本特征向量表示 | 第33-34页 |
| 4.3 支持向量机 | 第34-37页 |
| 4.4 基于情感词典的情感分析方法 | 第37页 |
| 4.5 情感词典构建 | 第37-41页 |
| 4.5.1 word2vec介绍 | 第37-39页 |
| 4.5.2 构建商品评论情感词典 | 第39-41页 |
| 4.6 评论文本情感分析过程 | 第41页 |
| 4.7 本章小结 | 第41-42页 |
| 5 实验与分析 | 第42-56页 |
| 5.1 评估指标 | 第42-43页 |
| 5.2 实验内容 | 第43-48页 |
| 5.2.1 实验数据集 | 第43-48页 |
| 5.2.2 实验过程 | 第48页 |
| 5.3 实验及结果分析 | 第48-55页 |
| 5.3.1 商品属性聚类上下文窗口大小实验 | 第49-51页 |
| 5.3.2 文档特征表示对比试验 | 第51-52页 |
| 5.3.3 商品评论情感词典的实验结果 | 第52-54页 |
| 5.3.4 每个属性标签的情感分析结果 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 未来展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
| A 作者在攻读硕士学位期间发表的论文目录 | 第63页 |
