面向网络商务系统评论的情感分析
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 课题研究背景与意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 研究内容及创新点 | 第16-17页 |
| 1.4 本文章节安排 | 第17-18页 |
| 2 相关技术与理论背景 | 第18-29页 |
| 2.1 数据挖掘 | 第18-19页 |
| 2.1.1 数据挖掘的任务 | 第18-19页 |
| 2.1.2 数据挖掘的常用方法应用与挑战 | 第19页 |
| 2.2 文本挖掘 | 第19-20页 |
| 2.3 情感分析 | 第20-22页 |
| 2.3.1 情感分析相关资源 | 第20-21页 |
| 2.3.2 数据预处理方法 | 第21-22页 |
| 2.3.3 基于语义的情感分析 | 第22页 |
| 2.4 分类模型 | 第22-23页 |
| 2.5 预测模型 | 第23-27页 |
| 2.5.1 一元线性回归模型 | 第23-25页 |
| 2.5.2 BP神经网络模型 | 第25-27页 |
| 2.5.3 支持向量机模型 | 第27页 |
| 2.6 PYTHON环境下进行情感分析相关技术 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 3 基于语义规则的服装电商评论情感分析 | 第29-48页 |
| 3.1 服装电商评论数据采集 | 第29-30页 |
| 3.2 文本预处理 | 第30页 |
| 3.3 分词及语义分析 | 第30-33页 |
| 3.4 领域词典建立 | 第33-35页 |
| 3.5 情感语料库 | 第35页 |
| 3.6 服装电商评论句子结构规则 | 第35-41页 |
| 3.7 情感倾向强度计算方法 | 第41-47页 |
| 3.8 本章小结 | 第47-48页 |
| 4 情感分析结果与销量之间的关系 | 第48-53页 |
| 4.1 通过分类算法确定最佳评论页数 | 第49-50页 |
| 4.2 不同评论页数参数对比 | 第50页 |
| 4.3 基于情感分析的销量预测模型 | 第50-51页 |
| 4.3.1 基于一元线性回归的销量预测 | 第51页 |
| 4.3.2 基于神经网络的销量预测 | 第51页 |
| 4.3.3 基于支持向量机回归的销量预测 | 第51页 |
| 4.4 销量预测测评标准 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 应用 | 第53-63页 |
| 5.1 开发环境及实验平台 | 第53页 |
| 5.2 基于语义规则的情感分析 | 第53-55页 |
| 5.2.1 数据采集及处理 | 第53-54页 |
| 5.2.2 分词及语义分析 | 第54页 |
| 5.2.3 情感词典 | 第54页 |
| 5.2.4 情感语料库的建立 | 第54-55页 |
| 5.2.5 情感倾向强度计算 | 第55页 |
| 5.3 情感倾向强度值与销量之间的关系 | 第55-62页 |
| 5.3.1 准备数据 | 第55页 |
| 5.3.2 通过分类算法确定最佳评论页数 | 第55页 |
| 5.3.3 不同评论页数参数对比 | 第55-57页 |
| 5.3.4 基于情感分析的销量预测模型 | 第57-61页 |
| 5.3.5 销量预测测评标准 | 第61页 |
| 5.3.6 实验结果分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 论文总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间的研究成果目录 | 第69-70页 |
| 致谢 | 第70页 |
