中文微博情感分析
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及研究意义 | 第8页 |
| 1.2 情感分析国内外研究现状 | 第8-12页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-12页 |
| 1.3 新浪微博简介 | 第12页 |
| 1.4 研究内容和论文结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 微博情感分析与情感词典构建 | 第14-22页 |
| 2.1 微博情感分析概述 | 第14页 |
| 2.2 微博特点分析与特征值选取 | 第14-18页 |
| 2.2.1 微博特点分析 | 第15-17页 |
| 2.2.2 特征值选取 | 第17-18页 |
| 2.3 情感词典的构建 | 第18-21页 |
| 2.3.1 网络用语词典 | 第18-19页 |
| 2.3.2 程度副词典 | 第19页 |
| 2.3.3 表情符词典 | 第19-20页 |
| 2.3.4 是否加“V”认证词典 | 第20-21页 |
| 2.3.5 是否转发词典 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 相关理论与技术 | 第22-37页 |
| 3.1 SVM | 第22-29页 |
| 3.1.1 SVM简述 | 第22-23页 |
| 3.1.2 最优超平面 | 第23-25页 |
| 3.1.3 线性可分支持向量机 | 第25-26页 |
| 3.1.4 非线性可分情况下的支持向量机 | 第26-27页 |
| 3.1.5 支持向量机内核函数 | 第27页 |
| 3.1.6 支持向量机一般使用方法 | 第27-29页 |
| 3.2 朴素贝叶斯分析算法 | 第29-30页 |
| 3.3 K-NN算法 | 第30-31页 |
| 3.4 LDA主题模型 | 第31-35页 |
| 3.4.1 LDA主题模型思想 | 第32-33页 |
| 3.4.2 LDA模型结构 | 第33页 |
| 3.4.3 LDA模型采用训练 | 第33-35页 |
| 3.4.4 LDA的一些应用 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于云平台的微博情感分析 | 第37-53页 |
| 4.1 云计算概述 | 第37-38页 |
| 4.2 云平台的搭建与部署 | 第38-42页 |
| 4.2.1 云平台搭建 | 第38-39页 |
| 4.2.2 云平台的部署 | 第39页 |
| 4.2.3 部署搭建具体过程 | 第39-42页 |
| 4.3 微博情感分析系统设计 | 第42-47页 |
| 4.3.1 微博话题收集模块 | 第43-44页 |
| 4.3.2 微博文本抽取模块 | 第44-46页 |
| 4.3.3 微博文本与情感词典匹配 | 第46页 |
| 4.3.4 微博情感计算模块 | 第46-47页 |
| 4.4 引入LDA主题模型 | 第47-48页 |
| 4.5 本文算法 | 第48-49页 |
| 4.6 实验结果及分析 | 第49-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 总结及展望 | 第53-54页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 在校期间的学习成果 | 第59-60页 |
| 致谢 | 第60页 |
