面向文本情感分析的主题建模及应用研究
| 中文摘要 | 第16-18页 |
| 英文摘要 | 第18-21页 |
| 第一章 绪论 | 第22-32页 |
| 1.1 课题研究背景及意义 | 第22-23页 |
| 1.2 研究现状与发展趋势 | 第23-29页 |
| 1.2.1 文本主题建模 | 第23-26页 |
| 1.2.2 文本情感倾向分析 | 第26-27页 |
| 1.2.3 垃圾情感内容分析 | 第27-29页 |
| 1.3 主要研究内容 | 第29-30页 |
| 1.4 论文结构 | 第30-32页 |
| 第二章 文本情感分析和主题建模的基础知识 | 第32-42页 |
| 2.1 传统文本表示 | 第32-34页 |
| 2.1.1 向量空间模型 | 第32-33页 |
| 2.1.2 Fisher特征选择 | 第33-34页 |
| 2.2 主题建模方法 | 第34-36页 |
| 2.2.1 文本压缩主题建模 | 第34-35页 |
| 2.2.2 概率图模型主题建模 | 第35-36页 |
| 2.3 文本情感分析的常用方法 | 第36-39页 |
| 2.3.1 支持向量机 | 第36-37页 |
| 2.3.2 直推支持向量机 | 第37-38页 |
| 2.3.3 谱聚类 | 第38-39页 |
| 2.4 评价指标 | 第39-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第三章 基于特定任务知识主题建模的情感分析 | 第42-58页 |
| 3.1 问题描述 | 第42-43页 |
| 3.2 垃圾观点启发式规则设计 | 第43-46页 |
| 3.2.1 垃圾关键词规则 | 第44页 |
| 3.2.2 评论信息长度规则 | 第44-45页 |
| 3.2.3 观点词比例规则 | 第45页 |
| 3.2.4 无效字符规则 | 第45-46页 |
| 3.2.5 评价对象规则 | 第46页 |
| 3.3 启发式规则增强的主题建模 | 第46-49页 |
| 3.3.1 词袋扩展 | 第47-49页 |
| 3.3.2 Gibbs采样 | 第49页 |
| 3.4 半监督垃圾观点分类 | 第49-52页 |
| 3.4.1 半监督学习框架 | 第50页 |
| 3.4.2 分类数据表示 | 第50-51页 |
| 3.4.3 半监督垃圾观点分类算法 | 第51-52页 |
| 3.5 实验及结果分析 | 第52-57页 |
| 3.5.1 实验设置 | 第52-53页 |
| 3.5.2 种子集筛选有效性 | 第53-54页 |
| 3.5.3 垃圾评论分类实验 | 第54-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第四章 集成多文本表示策略的情感分析 | 第58-76页 |
| 4.1 问题描述 | 第58-59页 |
| 4.2 双语协同跨语言情感分析 | 第59-64页 |
| 4.2.1 双语语言协同特征表示空间 | 第59-61页 |
| 4.2.2 双语协同情感判别框架 | 第61-62页 |
| 4.2.3 高置信度样本选择 | 第62-63页 |
| 4.2.4 双语协同情感分析算法 | 第63-64页 |
| 4.3 基于双语主题建模的情感分析 | 第64-67页 |
| 4.3.1 双语主题建模 | 第64-65页 |
| 4.3.2 基于双语主题建模的框架 | 第65-67页 |
| 4.3.3 基于双语主题建模的算法 | 第67页 |
| 4.4 多策略集成情感分析框架 | 第67-70页 |
| 4.4.1 词语校准 | 第68-69页 |
| 4.4.2 多策略结果集成 | 第69-70页 |
| 4.5 实验及结果分析 | 第70-75页 |
| 4.5.1 实验设置 | 第70-71页 |
| 4.5.2 双语协同策略实验 | 第71-72页 |
| 4.5.3 双语主题建模实验 | 第72-73页 |
| 4.5.4 多策略结果集成实验 | 第73-75页 |
| 4.6 本章小结 | 第75-76页 |
| 第五章 基于主题度量的半监督情感分析 | 第76-96页 |
| 5.1 问题描述 | 第76-77页 |
| 5.2 基本框架 | 第77-79页 |
| 5.3 对齐翻译主题模型 | 第79-83页 |
| 5.3.1 对齐翻译 | 第79-80页 |
| 5.3.2 模型定义 | 第80-82页 |
| 5.3.3 模型参数估计 | 第82页 |
| 5.3.4 学习算法 | 第82-83页 |
| 5.4 半监督训练数据校准 | 第83-86页 |
| 5.4.1 样本质量度量 | 第84-85页 |
| 5.4.2 样本置信度度量 | 第85页 |
| 5.4.3 样本与样本集的相似性度量 | 第85-86页 |
| 5.4.4 半监督学习算法 | 第86页 |
| 5.5 实验及结果分析 | 第86-95页 |
| 5.5.1 实验设置 | 第87-88页 |
| 5.5.2 模型参数选择 | 第88-91页 |
| 5.5.3 三种方法比较 | 第91-93页 |
| 5.5.4 实验结果讨论 | 第93-95页 |
| 5.6 本章小结 | 第95-96页 |
| 第六章 融合向量表示主题建模的情感分析 | 第96-122页 |
| 6.1 问题描述 | 第96-97页 |
| 6.2 信息融合方法 | 第97-99页 |
| 6.2.1 互语义信息定义 | 第97-99页 |
| 6.2.2 主题与向量表示的融合模型 | 第99页 |
| 6.3 向量增强主题模型 | 第99-104页 |
| 6.3.1 模型生成过程 | 第100-101页 |
| 6.3.2 互语义信息度量 | 第101-102页 |
| 6.3.3 模型似然函数 | 第102-103页 |
| 6.3.4 生成过程解释 | 第103-104页 |
| 6.4 模型参数估计 | 第104-108页 |
| 6.4.1 变分推理 | 第104-106页 |
| 6.4.2 迭代公式 | 第106-108页 |
| 6.4.3 广义EM算法 | 第108页 |
| 6.5 实验及结果分析 | 第108-120页 |
| 6.5.1 实验设置 | 第109-111页 |
| 6.5.2 参数选择 | 第111页 |
| 6.5.3 主题质量评估 | 第111-115页 |
| 6.5.4 文本分析性能评价 | 第115-119页 |
| 6.5.5 实验结果讨论 | 第119-120页 |
| 6.6 本章小结 | 第120-122页 |
| 第七章 基于主题建模的情感分析应用系统 | 第122-132页 |
| 7.1 服务框架设计 | 第122-125页 |
| 7.1.1 用户请求接口 | 第123-124页 |
| 7.1.2 内部功能注册 | 第124页 |
| 7.1.3 用户线程 | 第124-125页 |
| 7.2 系统功能结构 | 第125-127页 |
| 7.2.1 功能组织 | 第125-126页 |
| 7.2.2 用户数据分析流程 | 第126-127页 |
| 7.2.3 模型维护流程 | 第127页 |
| 7.3 实际效果展示 | 第127-130页 |
| 7.3.1 主题建模展示 | 第128页 |
| 7.3.2 文本情感分析展示 | 第128-130页 |
| 7.4 本章小结 | 第130-132页 |
| 第八章 结论及展望 | 第132-136页 |
| 8.1 结论与贡献 | 第132-133页 |
| 8.2 创新点 | 第133-134页 |
| 8.3 未来工作展望 | 第134-136页 |
| 参考文献 | 第136-150页 |
| 攻读博士学位期间取得的研究成果 | 第150-152页 |
| 致谢 | 第152-154页 |
| 个人简况及联系方式 | 第154-155页 |
