短文本情感分析
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 目录 | 第5-8页 |
| 表格索引 | 第8-9页 |
| 插图索引 | 第9-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究意义及目的 | 第11-12页 |
| 1.2 研究内容 | 第12-13页 |
| 1.3 论文安排 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 综述 | 第15-21页 |
| 2.1 主题无关的情感分析 | 第15-17页 |
| 2.1.1 基于情感词典的方法 | 第15-16页 |
| 2.1.2 基于人工标注数据的机器学习方法 | 第16-17页 |
| 2.1.3 基于噪声标注数据的机器学习方法 | 第17页 |
| 2.2 主题相关的情感分析 | 第17-18页 |
| 2.2.1 基于规则的方法 | 第18页 |
| 2.2.2 基于依存句法分析的机器学习方法 | 第18页 |
| 2.3 本文研究内容 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 第三章 主题无关的情感分析 | 第21-37页 |
| 3.1 算法模型 | 第21-27页 |
| 3.1.1 基于人工标注的算法 | 第22-23页 |
| 3.1.2 基于噪声标注的算法 | 第23-26页 |
| 3.1.3 混合模型 ESLAM | 第26-27页 |
| 3.2 实验 | 第27-35页 |
| 3.2.1 数据 | 第27-28页 |
| 3.2.2 评价指标 | 第28-29页 |
| 3.2.3 噪声标注信息的有效性 | 第29-30页 |
| 3.2.4 人工标注信息的有效性 | 第30-34页 |
| 3.2.5 平滑系数的影响 | 第34页 |
| 3.2.6 实验结论 | 第34-35页 |
| 3.3 本章小结 | 第35-37页 |
| 第四章 主题相关的情感分析 | 第37-53页 |
| 4.1 算法模型 | 第37-43页 |
| 4.1.1 分词算法 | 第37-38页 |
| 4.1.2 基于依存分析的主题相关特征提取算法 | 第38-40页 |
| 4.1.3 分类算法 | 第40-43页 |
| 4.2 实验 | 第43-51页 |
| 4.2.1 数据 | 第43-48页 |
| 4.2.2 训练数据对模型的影响 | 第48-49页 |
| 4.2.3 主题相关特征的有效性 | 第49页 |
| 4.2.4 实验结论 | 第49-51页 |
| 4.3 本章小结 | 第51-53页 |
| 第五章 Weibosa 微博情感分析系统 | 第53-57页 |
| 5.1 概述 | 第53-54页 |
| 5.1.1 用途 | 第53页 |
| 5.1.2 主要功能及技术特点 | 第53-54页 |
| 5.1.3 运行环境 | 第54页 |
| 5.1.4 编程语言及其版本 | 第54页 |
| 5.1.5 系统安装说明 | 第54页 |
| 5.1.6 应用范围和对象 | 第54页 |
| 5.2 系统展示 | 第54-56页 |
| 5.2.1 系统启动 | 第54-55页 |
| 5.2.2 查询功能 | 第55页 |
| 5.2.3 调试功能 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 全文总结 | 第57-59页 |
| 6.1 主要结论 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文目录 | 第67-69页 |
| 攻读学位期间参与的项目 | 第69-71页 |
