基于PLSA的大数据文本情感分析及其应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 概述 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 情感分析 | 第12-14页 |
| 1.2.1.1 国外现状 | 第12-13页 |
| 1.2.1.2 国内现状 | 第13-14页 |
| 1.2.2 时间序列分析 | 第14-15页 |
| 1.2.3 并行PLSA | 第15页 |
| 1.3 论文内容及章节安排 | 第15-17页 |
| 第二章 情感分析的相关问题及技术 | 第17-29页 |
| 2.1 概述 | 第17-18页 |
| 2.2 情感分析的流程 | 第18-19页 |
| 2.3 特征的选择 | 第19-22页 |
| 2.3.1 文档频率 | 第19-20页 |
| 2.3.2 互信息 | 第20页 |
| 2.3.3 信息增益 | 第20-21页 |
| 2.3.4 Χ~2统计 | 第21-22页 |
| 2.3.5 期望交叉熵 | 第22页 |
| 2.4 分类算法的选择 | 第22-28页 |
| 2.4.1 KNN算法 | 第22页 |
| 2.4.2 朴素贝叶斯 | 第22-24页 |
| 2.4.3 最大熵模型 | 第24-26页 |
| 2.4.4 支持向量机 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 概率潜在语义分析及其并行实现 | 第29-44页 |
| 3.1 潜在语义分析 | 第29-30页 |
| 3.2 概率潜在语义分析 | 第30-34页 |
| 3.2.1 模型描述 | 第31-33页 |
| 3.2.2 PLSA优缺点 | 第33-34页 |
| 3.3 并行训练PLSA | 第34-43页 |
| 3.3.1 MAPREDUCE分布式数据处理 | 第34-37页 |
| 3.3.1.1 MAPREDUCE基本特性 | 第34-35页 |
| 3.3.1.2 MAPREDUCE架构及编程 | 第35-37页 |
| 3.3.2 基于MAPREDUCE的EM算法 | 第37-43页 |
| 3.3.2.1 算法设计与实现 | 第37-41页 |
| 3.3.2.2 实验与分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于情感分析的自回归模型 | 第44-59页 |
| 4.1 自回归模型 | 第44-46页 |
| 4.2 用于销售预测的自回归模型 | 第46-47页 |
| 4.3 结合情感分析的销售预测模型 | 第47-49页 |
| 4.3.1 基于情感词的PLSA | 第47-48页 |
| 4.3.2 建立ARBS模型 | 第48-49页 |
| 4.4 ARBS模型训练与实验分析 | 第49-58页 |
| 4.4.1 实验数据集 | 第49-50页 |
| 4.4.2 训练过程 | 第50-51页 |
| 4.4.3 参数学习及分析 | 第51-55页 |
| 4.4.4 实验对比 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 ARBS模型的改进 | 第59-65页 |
| 5.1 问题引出 | 第59页 |
| 5.2 模型改进 | 第59-60页 |
| 5.3 ARBS-I模型训练与实验分析 | 第60-64页 |
| 5.3.1 训练过程 | 第60-61页 |
| 5.3.2 参数学习与分析 | 第61-64页 |
| 5.3.3 实验对比 | 第64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 全文总结与展望 | 第65-67页 |
| 6.1 全文总结 | 第65页 |
| 6.2 后续工作展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间取得的成果 | 第72-73页 |
