融合表情特征的情感分析研究与竞争情报挖掘应用
| 摘要 | 第2-3页 |
| ABSTRACT | 第3-4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.1.1 研究背景 | 第8-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-13页 |
| 1.2.1 国外研究综述 | 第11-12页 |
| 1.2.2 国内研究综述 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 文本情感分析相关技术 | 第16-29页 |
| 2.1 情感分析方法概述 | 第16-17页 |
| 2.2 语料获取 | 第17-18页 |
| 2.3 文本预处理 | 第18-20页 |
| 2.3.1 中文分词 | 第18-19页 |
| 2.3.2 去停用词 | 第19-20页 |
| 2.3.3 词性标注 | 第20页 |
| 2.4 文本表示方法 | 第20-24页 |
| 2.4.1 向量空间模型 | 第21页 |
| 2.4.2 文本特征选择 | 第21-23页 |
| 2.4.3 特征权重计算 | 第23-24页 |
| 2.5 基于机器学习的文本分类算法 | 第24-28页 |
| 2.5.1 朴素贝叶斯 | 第24-25页 |
| 2.5.2 支持向量机 | 第25-26页 |
| 2.5.3 随机森林 | 第26-27页 |
| 2.5.4 K-近邻 | 第27-28页 |
| 2.6 分类结果评估指标 | 第28页 |
| 2.7 本章小结 | 第28-29页 |
| 3 基于机器学习的情感分析 | 第29-40页 |
| 3.1 语料获取 | 第29页 |
| 3.1.1 数据来源 | 第29页 |
| 3.1.2 爬虫工具 | 第29页 |
| 3.2 数据清洗 | 第29-30页 |
| 3.3 分词 | 第30-31页 |
| 3.3.1 分词工具包 | 第30页 |
| 3.3.2 扩充分词词典 | 第30-31页 |
| 3.4 去停用词 | 第31-32页 |
| 3.5 特征选择 | 第32-34页 |
| 3.5.1 基于信息增益的词特征 | 第33页 |
| 3.5.2 否定词的处理 | 第33页 |
| 3.5.3 表情符号 | 第33-34页 |
| 3.6 基于TF-IDF的权重计算 | 第34页 |
| 3.7 基于VSM的文本向量化表示 | 第34-35页 |
| 3.8 训练过程及测试评估 | 第35-39页 |
| 3.8.1 基于SVM的情感分析 | 第35-37页 |
| 3.8.2 不同特征项选择的性能比较 | 第37-38页 |
| 3.8.3 分类算法比较 | 第38-39页 |
| 3.9 本章小结 | 第39-40页 |
| 4 手机市场情报研究 | 第40-49页 |
| 4.1 苹果手机正负评价分布 | 第40-42页 |
| 4.1.1 苹果手机正面评价分布 | 第40-41页 |
| 4.1.2 苹果手机负面评价分布 | 第41-42页 |
| 4.2 华为手机正负评价分布 | 第42-44页 |
| 4.2.1 华为手机正面评价分布 | 第42-43页 |
| 4.2.2 华为手机负面评价分布 | 第43-44页 |
| 4.3 OPPO手机正负评价分布 | 第44-46页 |
| 4.3.1 OPPO手机正面评价分布 | 第44-45页 |
| 4.3.2 OPPO手机负面评价分布 | 第45-46页 |
| 4.4 竞争对手优劣势对比分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 不足 | 第49-50页 |
| 5.3 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 后记 | 第55-56页 |
