| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 评论分类的研究背景与意义 | 第12-14页 |
| 1.2 研究现状 | 第14-18页 |
| 1.2.1 文本表示研究现状 | 第14-15页 |
| 1.2.2 文本分类研究现状 | 第15-17页 |
| 1.2.3 评论分类研究现状 | 第17页 |
| 1.2.4 现状分析 | 第17-18页 |
| 1.3 本文的主要工作 | 第18-19页 |
| 1.4 论文的组织架构 | 第19-21页 |
| 第2章 文本分类方法概述 | 第21-35页 |
| 2.1 文本预处理 | 第21-22页 |
| 2.1.1 中文分词技术 | 第21-22页 |
| 2.1.2 去停用词 | 第22页 |
| 2.2 文本特征提取 | 第22-29页 |
| 2.2.1 词袋模型 | 第22-23页 |
| 2.2.2 TF-IDF文本特征提取 | 第23-24页 |
| 2.2.3 基于词向量的特征提取模型 | 第24-29页 |
| 2.3 分类模型 | 第29-34页 |
| 2.3.1 朴素贝叶斯模型 | 第29-30页 |
| 2.3.2 随机森林模型 | 第30-31页 |
| 2.3.3 SVM分类模型 | 第31-32页 |
| 2.3.4 KNN分类模型 | 第32-33页 |
| 2.3.5 神经网络分类模型 | 第33页 |
| 2.3.6 分类模型优缺点分析 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 数据预处理与特征提取 | 第35-47页 |
| 3.1 评论数据爬取与预处理 | 第35-39页 |
| 3.1.1 评论数据爬取 | 第35-37页 |
| 3.1.2 数据预处理 | 第37-39页 |
| 3.2 数据统计与可视化 | 第39-44页 |
| 3.3 特征提取 | 第44-46页 |
| 3.3.1 文本特征提取 | 第44-46页 |
| 3.3.2 非文本特征提取 | 第46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 评论分类模型 | 第47-61页 |
| 4.1 基于文本特征fasttext分类模型 | 第47-49页 |
| 4.2 基于非文本特征的概率分类模型 | 第49-53页 |
| 4.2.1 朴素贝叶斯概率分类模型 | 第49-50页 |
| 4.2.2 随机森林概率分类模型 | 第50-53页 |
| 4.3 多维度评论分类融合模型MDF-CC | 第53-56页 |
| 4.4 评论方面词抽取模型以及实验结果 | 第56-60页 |
| 4.4.1 评论方面词抽取模型 | 第56-58页 |
| 4.4.2 实验结果 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 实验结果与分析 | 第61-78页 |
| 5.1 实验相关环境及评价指标 | 第61-63页 |
| 5.1.1 实验数据集与环境 | 第61-62页 |
| 5.1.2 评论分类评价指标 | 第62-63页 |
| 5.2 基于TF-IDF特征评论分类实验 | 第63-68页 |
| 5.2.1 实验方案 | 第63-65页 |
| 5.2.2 实验结果及分析 | 第65-68页 |
| 5.3 基于文本特征的fasttext文本分类实验 | 第68-72页 |
| 5.3.1 实验方案 | 第68-69页 |
| 5.3.2 实验结果及分析 | 第69-72页 |
| 5.4 基于多维度特征融合的MDF-CC评论分类实验 | 第72-76页 |
| 5.4.1 实验方案 | 第72-73页 |
| 5.4.2 实验结果及分析 | 第73-76页 |
| 5.5 三种评论分类算法的对比分析 | 第76-77页 |
| 5.6 本章小结 | 第77-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间主要的研究成果 | 第85-86页 |
| 致谢 | 第86页 |