首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

面向网络评论的细粒度意见挖掘的研究与应用

摘要第4-6页
ABSTRACT第6-7页
第一章 绪论第11-15页
    1.1 研究背景和意义第11页
    1.2 国内外研究现状第11-14页
        1.2.1 意见内容提取技术第12页
        1.2.2 文本特征选择技术第12-13页
        1.2.3 情感倾向挖掘技术第13-14页
    1.3 课题研究内容第14-15页
第二章 面向网络评论的细粒度意见挖掘的理论研究第15-28页
    2.1 引言第15页
    2.2 面向网络评论的细粒度意见挖掘的工作流程第15-16页
    2.3 自然语言处理知识第16-19页
        2.3.1 分词技术第17页
        2.3.2 词性标注第17-18页
        2.3.3 情感词典第18-19页
    2.4 评价单元提取第19-22页
        2.4.1 概率统计方法第19-20页
        2.4.2 规则统计方法第20-21页
        2.4.3 机器学习方法第21-22页
    2.5 文本特征选择第22-25页
        2.5.1 文本信息表示方法第22页
        2.5.2 文本特征选择算法第22-24页
        2.5.3 特征权重计算方法第24-25页
    2.6 意见情感倾向挖掘第25-27页
        2.6.1 规则匹配法第25页
        2.6.2 机器学习法第25-27页
    2.7 本章小结第27-28页
第三章 基于主题模型的评论中意见内容提取第28-40页
    3.1 引言第28页
    3.2 意见内容提取算法分析第28页
    3.3 文本预处理第28-31页
        3.3.1 预处理流程第29-30页
        3.3.2 分词与词性标注第30-31页
    3.4 基于情感词典的意见态度词提取第31-33页
        3.4.1 构建情感词典第31-32页
        3.4.2 提取意见态度词第32-33页
    3.5 基于LDA主题模型的商品特征词提取第33-38页
        3.5.1 LDA原理研究第33-34页
        3.5.2 带窗口约束的LDA商品特征词提取算法第34-36页
        3.5.3 算法验证与分析第36-38页
    3.6 意见内容提取最终输出结果第38-39页
    3.7 本章小结第39-40页
第四章 基于SVM的细粒度意见情感的挖掘研究第40-52页
    4.1 引言第40页
    4.2 细粒度意见情感挖掘问题建模第40-43页
        4.2.1 基于词袋的用户评论向量化第41-42页
        4.2.2 基于DFTF改进算法的向量降维第42-43页
        4.2.3 细粒度意见情感评价模型第43页
    4.3 基于SVM算法的意见情感评价第43-46页
        4.3.1 SVM算法第43-45页
        4.3.2 模型性能的评价指标第45-46页
    4.4 模型验证与分析第46-51页
        4.4.1 数据准备第46-48页
        4.4.2 SVM模型的训练第48-50页
        4.4.3 测试与结果分析第50-51页
    4.5 本章小结第51-52页
第五章 面向网站评论的细粒度意见挖掘系统的开发与应用第52-72页
    5.1 引言第52页
    5.2 系统总体设计第52-56页
        5.2.1 系统框架及流程第52-54页
        5.2.2 系统开发环境第54页
        5.2.3 数据存储设计第54-56页
    5.3 评论收集程序的开发与实现第56-62页
        5.3.1 程序功能结构第57页
        5.3.2 各模块关键技术第57-62页
        5.3.3 程序主界面第62页
    5.4 意见内容提取与挖掘程序的开发与实现第62-67页
        5.4.1 程序功能结构第63-64页
        5.4.2 关键模块实现第64-67页
    5.5 结果可视化展示程序的开发与实现第67-70页
        5.5.1 开发环境与技术第67-68页
        5.5.2 可视化展示程序界面第68-70页
    5.6 本章小结第70-72页
第六章 总结与展望第72-74页
    6.1 总结第72-73页
    6.2 展望第73-74页
参考文献第74-78页
附录1 攻读硕士学位期间撰写的论文第78-79页
附录2 攻读硕士学位期间参加的科研项目第79-80页
致谢第80页

论文共80页,点击 下载论文
上一篇:基于多路搜索的时序突变异常快速分析
下一篇:基于通行大数据的车辆逃费稽查系统的研究与开发