| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第8-11页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文的结构安排 | 第9-11页 |
| 第二章 数据采集和处理 | 第11-13页 |
| 2.1 数据采集 | 第11页 |
| 2.2 数据标注 | 第11页 |
| 2.3 文本分词 | 第11-12页 |
| 2.4 本章小结 | 第12-13页 |
| 第三章 基于类别和改进的CHI相结合的特征选择方法 | 第13-21页 |
| 3.1 特征选择方法 | 第13-15页 |
| 3.1.1 文档频数 | 第13页 |
| 3.1.2 信息增益 | 第13-14页 |
| 3.1.3 互信息 | 第14页 |
| 3.1.4 期望交叉熵 | 第14页 |
| 3.1.5 卡方统计 | 第14-15页 |
| 3.2 基于类别和改进的CHI相结合的特征选择方法 | 第15-17页 |
| 3.2.1 类内分布因子 | 第15-16页 |
| 3.2.2 类间分布因子 | 第16页 |
| 3.2.3 基于类别的特征选择 | 第16-17页 |
| 3.3 实验和结果分析 | 第17-20页 |
| 3.4 本章小结 | 第20-21页 |
| 第四章 基于改进的CHI和TF-IDF相结合的特征加权方法 | 第21-26页 |
| 4.1 布尔权重 | 第21页 |
| 4.2 频度权重 | 第21页 |
| 4.3 基于熵的权重 | 第21-22页 |
| 4.4 TF-IDF方法 | 第22-23页 |
| 4.5 基于改进的CHI和TF-IDF相结合的特征加权方法 | 第23页 |
| 4.6 实验和结果分析 | 第23-25页 |
| 4.7 本章小结 | 第25-26页 |
| 第五章 基于集成学习的微博情感分析方法 | 第26-35页 |
| 5.1 集成学习概述 | 第26-29页 |
| 5.1.1 集成分类器的结构 | 第26-27页 |
| 5.1.2 多分类器的产生方法 | 第27-28页 |
| 5.1.3 融合方法 | 第28-29页 |
| 5.2 典型的集成学习算法 | 第29-31页 |
| 5.2.1 Bagging | 第29页 |
| 5.2.2 Boosting | 第29-30页 |
| 5.2.3 Stacking | 第30-31页 |
| 5.2.4 Random subspace | 第31页 |
| 5.2.5 Random forest | 第31页 |
| 5.3 基于集成学习的微博情感分析 | 第31-34页 |
| 5.4 本章小结 | 第34-35页 |
| 第六章 总结和展望 | 第35-36页 |
| 6.1 本文工作总结 | 第35页 |
| 6.2 未来工作展望 | 第35-36页 |
| 参考文献 | 第36-39页 |
| 致谢 | 第39-40页 |
| 在学期间公开发表论文情况 | 第40页 |
