基于SVM和概率神经网络多特征组合的在线产品评论情感信息挖掘
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 文本评论主客观分类 | 第12-13页 |
| 1.2.2 主观文本情感极性分类 | 第13-16页 |
| 1.2.2.1 基于情感词典的方法 | 第14页 |
| 1.2.2.2 基于机器学习的方法 | 第14-16页 |
| 1.3 研究目的和意义 | 第16页 |
| 1.4 论文研究内容及创新点 | 第16-17页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 论文创新点 | 第17页 |
| 1.5 论文结构及技术路线 | 第17-20页 |
| 1.5.1 论文结构安排 | 第17-18页 |
| 1.5.2 论文技术路线 | 第18-20页 |
| 第2章 文本情感分析相关理论 | 第20-29页 |
| 2.1 文本情感分析 | 第20-21页 |
| 2.2 网络爬虫 | 第21-24页 |
| 2.2.1 HTML页面结构 | 第21-22页 |
| 2.2.2 网络爬虫简介 | 第22-24页 |
| 2.3 中文分词理论 | 第24-25页 |
| 2.4 文本表示模型 | 第25-27页 |
| 2.5 特征项选择 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 文本情感分析相关技术 | 第29-34页 |
| 3.1 网页数据采集器 | 第29-30页 |
| 3.2 分词软件 | 第30-32页 |
| 3.3 HowNet词典 | 第32页 |
| 3.4 weka数据挖掘 | 第32-33页 |
| 3.4.1 weka功能简介 | 第32-33页 |
| 3.4.2 weka数据集 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 手机在线产品评论情感分析流程 | 第34-48页 |
| 4.1 整体设计 | 第34-35页 |
| 4.2 在线产品评论数据抓取 | 第35-37页 |
| 4.3 词表的建立 | 第37-42页 |
| 4.3.1 停用词表 | 第37-39页 |
| 4.3.2 分词词典 | 第39-40页 |
| 4.3.3 产品属性表 | 第40页 |
| 4.3.4 情感词表 | 第40-41页 |
| 4.3.5 程度副词表 | 第41-42页 |
| 4.3.6 否定词表 | 第42页 |
| 4.4 文本向量化 | 第42-46页 |
| 4.4.1 文本预处理 | 第43-44页 |
| 4.4.2 特征项提取 | 第44-46页 |
| 4.4.3 特殊语句处理 | 第46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 SVM和概率神经网络实验结果和分析 | 第48-62页 |
| 5.1 实验数据和环境 | 第48页 |
| 5.2 实验方法 | 第48-51页 |
| 5.2.1 SVM模型 | 第48-50页 |
| 5.2.2 概率神经网络 | 第50-51页 |
| 5.3 实验评价指标 | 第51-52页 |
| 5.4 两方法实验结果和分析 | 第52-58页 |
| 5.4.1 多特征组合 | 第52-53页 |
| 5.4.2 两方法实验结果 | 第53-55页 |
| 5.4.3 结果分析 | 第55-58页 |
| 5.5 评价对象分类实验 | 第58-60页 |
| 5.5.1 方法和特征的选取 | 第58页 |
| 5.5.2 实验结果和分析 | 第58-60页 |
| 5.6 政策和建议 | 第60-61页 |
| 5.7 本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士期间参加科研情况 | 第68-69页 |
| 附录A：部分程序代码 | 第69-74页 |
