面向事件的微博情感倾向性分析技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 课题背景及研究意义 | 第12-15页 |
| 1.1.1 课题背景 | 第12-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状及存在问题 | 第15-22页 |
| 1.2.1 微博事件追踪现状 | 第15-17页 |
| 1.2.2 微博词语情感倾向识别现状 | 第17-19页 |
| 1.2.3 微博情感倾向性分析现状 | 第19-21页 |
| 1.2.4 存在问题与难点 | 第21-22页 |
| 1.3 论文研究内容与结构安排 | 第22-24页 |
| 1.3.1 研究内容 | 第22页 |
| 1.3.2 结构安排 | 第22-24页 |
| 第二章 基于维基知识的微博事件追踪 | 第24-36页 |
| 2.1 事件追踪方法简介 | 第24-26页 |
| 2.1.1 向量空间模型 | 第24-25页 |
| 2.1.2 基于分类的方法 | 第25页 |
| 2.1.3 基于查询向量的方法 | 第25-26页 |
| 2.2 基于维基知识的微博事件追踪方法 | 第26-31页 |
| 2.2.1 方法原理与基本流程 | 第26-27页 |
| 2.2.2 维基知识表示模型 | 第27-29页 |
| 2.2.3 事件(博文)向量表示模型 | 第29-30页 |
| 2.2.4 相似度计算与事件追踪 | 第30-31页 |
| 2.3 实验结果与性能分析 | 第31-35页 |
| 2.3.1 实验语料与评价方法 | 第31-32页 |
| 2.3.2 实验设置与结果分析 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于词亲和度的微博词语情感倾向识别 | 第36-48页 |
| 3.1 词语情感倾向识别方法简介 | 第36-37页 |
| 3.1.1 SO-PMI算法 | 第36-37页 |
| 3.1.2 基于HowNet的算法 | 第37页 |
| 3.2 基于词亲和度的微博词语情感倾向识别算法 | 第37-43页 |
| 3.2.1 算法原理与流程 | 第37-39页 |
| 3.2.2 数据预处理情感倾向 | 第39页 |
| 3.2.3 构建词亲和度网络 | 第39-41页 |
| 3.2.4 情感词提取 | 第41-42页 |
| 3.2.5 词语情感倾向识别 | 第42-43页 |
| 3.3 实验结果与性能分析 | 第43-47页 |
| 3.3.1 实验语料与评价方法 | 第43-44页 |
| 3.3.2 实验设置与结果分析 | 第44-46页 |
| 3.3.3 情感词典构建 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于HDP的无监督微博情感倾向性分析 | 第48-60页 |
| 4.1 微博情感倾向性分析方法简介 | 第48-51页 |
| 4.1.1 基于规则的方法 | 第48-49页 |
| 4.1.2 基于统计的方法 | 第49页 |
| 4.1.3 HDP主题模型基础 | 第49-51页 |
| 4.2 基于HDP的无监督微博情感倾向性分析方法 | 第51-54页 |
| 4.2.1 算法原理与基本流程 | 第51-52页 |
| 4.2.2 预处理与情感词典扩展 | 第52-53页 |
| 4.2.3 隐含主题挖掘 | 第53页 |
| 4.2.4 主题情感分布计算 | 第53页 |
| 4.2.5 微博情感倾向性分析 | 第53-54页 |
| 4.3 实验结果与性能分析 | 第54-57页 |
| 4.3.1 实验语料与评价方法 | 第54页 |
| 4.3.2 实验设置与结果分析 | 第54-57页 |
| 4.4 本章小结 | 第57-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60页 |
| 5.2 下一步研究展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 作者简历 | 第70页 |
