在线社交网络的用户倾向挖掘
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究工作的背景与意义 | 第13-14页 |
| 1.1.1 选题依据及其意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 早期所使用的研究方法 | 第14页 |
| 1.2.2 基于情感分析的研究方法 | 第14-15页 |
| 1.2.3 其余方法的研究现状 | 第15-16页 |
| 1.3 本文的主要贡献与创新 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-19页 |
| 第二章 用户倾向分析基础 | 第19-26页 |
| 2.1 文本预处理过程 | 第19-20页 |
| 2.2 文本的特征化表示 | 第20-24页 |
| 2.2.1 向量空间表示模型 | 第20页 |
| 2.2.2 潜在主题表示模型 | 第20-24页 |
| 2.3 文本情感分析 | 第24-25页 |
| 2.3.1 基于情感词典的方法 | 第24-25页 |
| 2.3.2 基于机器学习的方法 | 第25页 |
| 2.4 小结 | 第25-26页 |
| 第三章 基于推文中特定单词的用户的倾向分析 | 第26-41页 |
| 3.1 研究背景 | 第26页 |
| 3.2 问题描述 | 第26-30页 |
| 3.3 方法描述 | 第30-33页 |
| 3.3.1 方法流程 | 第30-31页 |
| 3.3.2 情感分析 | 第31-32页 |
| 3.3.3 词频统计 | 第32页 |
| 3.3.4 文本情感分析主题特征提取 | 第32-33页 |
| 3.3.5 推文的倾向判断 | 第33页 |
| 3.4 测试结果 | 第33-36页 |
| 3.4.1 实验数据来源 | 第33-34页 |
| 3.4.2 美国大选的实验结果 | 第34-35页 |
| 3.4.3 英国大选的实验结果 | 第35-36页 |
| 3.5 结果分析 | 第36-39页 |
| 3.5.1 HK方法 | 第36-38页 |
| 3.5.2 机器学习的方法 | 第38-39页 |
| 3.6 小结 | 第39-41页 |
| 第四章 基于复杂网络社团划分的用户倾向研究 | 第41-51页 |
| 4.1 研究背景 | 第41-42页 |
| 4.2 方法思路 | 第42页 |
| 4.3 方法描述 | 第42-47页 |
| 4.3.1 方法流程 | 第42-43页 |
| 4.3.2 用户关系网络的构建 | 第43-44页 |
| 4.3.3 社团划分的方法 | 第44-47页 |
| 4.4 测试结果 | 第47-49页 |
| 4.5 小结 | 第49-51页 |
| 第五章 基于终身机器学习的用户倾向研究 | 第51-59页 |
| 5.1 研究背景 | 第51-52页 |
| 5.2 方法思路 | 第52-53页 |
| 5.3 方法描述 | 第53-57页 |
| 5.3.1 方法流程 | 第53-54页 |
| 5.3.2 朴素贝叶斯分类方法 | 第54页 |
| 5.3.3 终身机器学习的系统知识库 | 第54-55页 |
| 5.3.4 用户倾向的判断 | 第55-57页 |
| 5.4 实验结果 | 第57-58页 |
| 5.5 小结 | 第58-59页 |
| 第六章 结论与展望 | 第59-61页 |
| 6.1 结论 | 第59页 |
| 6.2 下一步工作展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间取得的成果 | 第65页 |
