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 |