| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1. 引言 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 文本情感分析相关研究 | 第11-12页 |
| 1.2.2 微博情感分析相关研究 | 第12-13页 |
| 1.3 微博语言特征 | 第13-15页 |
| 1.3.1 微博简介 | 第13-14页 |
| 1.3.2 微博特征 | 第14-15页 |
| 1.4 当前存在的困难 | 第15-16页 |
| 1.4.1 中英文的差异 | 第15页 |
| 1.4.2 中文情感词典 | 第15-16页 |
| 1.4.3 中文分词、句法分析工具 | 第16页 |
| 1.4.4 特征选择 | 第16页 |
| 1.5 本文的研究内容 | 第16-17页 |
| 1.6 本文的组织结构 | 第17-19页 |
| 2. 文本情感倾向判断基础技术 | 第19-26页 |
| 2.1 文本表示 | 第19-20页 |
| 2.2 文本预处理 | 第20-23页 |
| 2.2.1 文本预处理概念 | 第20-21页 |
| 2.2.2 中文分词介绍 | 第21-22页 |
| 2.2.3 中文分词的主要技术 | 第22-23页 |
| 2.3 情感词库 | 第23-26页 |
| 2.3.1 基础情感词典 | 第23-24页 |
| 2.3.2 基础情感词典扩展 | 第24-25页 |
| 2.3.3 文本词库的构成 | 第25-26页 |
| 3. 微博情感极性判断方法研究 | 第26-36页 |
| 3.1 基于情感词典的方法 | 第26页 |
| 3.2 语义方法 | 第26-27页 |
| 3.3 机器学习方法 | 第27-36页 |
| 3.3.1 机器学习方法介绍 | 第27-31页 |
| 3.3.2 支持向量机（SVM） | 第31-36页 |
| 4．多策略的微博情感倾向判断算法设计 | 第36-45页 |
| 4.1 基于SVM的微博情感分类 | 第36-40页 |
| 4.1.1 观点句识别流程图 | 第37-38页 |
| 4.1.2 观点句特征选取 | 第38-39页 |
| 4.1.3 微博极性分类流程图 | 第39-40页 |
| 4.1.4 微博极性分类特征选取 | 第40页 |
| 4.2 基于表情符号的方法 | 第40-41页 |
| 4.3 基于情感词典的方法 | 第41页 |
| 4.4 微博语料预处理 | 第41-43页 |
| 4.4.1 语料去噪处理 | 第41-42页 |
| 4.4.2 语料分词 | 第42页 |
| 4.4.3 语料停用词处理 | 第42-43页 |
| 4.5 微博特征向量化 | 第43页 |
| 4.6 基于SVM的机器学习核函数和参数选择 | 第43-45页 |
| 5．实验及结果分析 | 第45-50页 |
| 5.1 实验数据 | 第45-46页 |
| 5.2 基于SVM的微博情感极性判断实验结果展示平台 | 第46页 |
| 5.3 评价方法和指标 | 第46-47页 |
| 5.4 基于SVM的微博情感极性判断实验及结果分析 | 第47-49页 |
| 5.4.1 基于SVM的核函数参数选择 | 第47-48页 |
| 5.4.2 基于SVM的微博情感分类结果 | 第48-49页 |
| 5.5 实验结果比较 | 第49-50页 |
| 6．总结和展望 | 第50-52页 |
| 6.1 本文研究内容 | 第50页 |
| 6.2 存在的问题及下一步展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 附录：攻读学位期间发表的学术论文及参与项目 | 第55-56页 |
| 致谢 | 第56-57页 |