| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与研究意义 | 第11-12页 |
| 1.2 国内外研究情况 | 第12-15页 |
| 1.2.1 按情感词典方法分类 | 第12-13页 |
| 1.2.2 按机器学习方法分类 | 第13-14页 |
| 1.2.3 按研究问题分类 | 第14-15页 |
| 1.3 本文工作 | 第15页 |
| 1.4 本文章节组织 | 第15-17页 |
| 第二章 文本情感分析基础理论介绍 | 第17-23页 |
| 2.1 文本表示模型 | 第17页 |
| 2.2 文本特征选择 | 第17-19页 |
| 2.2.1 信息增益法 | 第18页 |
| 2.2.2 卡方检验法 | 第18-19页 |
| 2.3 特征权重计算方法 | 第19页 |
| 2.4 文本分类器 | 第19-21页 |
| 2.4.1 支持向量机理论 | 第20-21页 |
| 2.4.2 K-最近邻法 | 第21页 |
| 2.5 中文句法分析 | 第21-22页 |
| 2.6 小结 | 第22-23页 |
| 第三章 酒店领域情感词典与特征词典的构建 | 第23-32页 |
| 3.1 酒店领域特征词与情感词抽取 | 第23-27页 |
| 3.1.1 方法 | 第24-27页 |
| 3.2 基础情感词典 | 第27-28页 |
| 3.3 情感词典扩展 | 第28-30页 |
| 3.3.1 语义相似度计算 | 第28-30页 |
| 3.4 动态情感词典 | 第30页 |
| 3.5 修饰词典 | 第30-31页 |
| 3.5.1 程度副词词典 | 第30-31页 |
| 3.5.2 否定副词词典 | 第31页 |
| 3.6 小结 | 第31-32页 |
| 第四章 细粒度评论情感倾向分析 | 第32-47页 |
| 4.1 特征词分类 | 第32页 |
| 4.2 评价特征及情感元素组抽取规则 | 第32-40页 |
| 4.2.1 基于句法依存关系的抽取规则 | 第33-38页 |
| 4.2.2 模式冲突问题 | 第38页 |
| 4.2.3 潜在特征属性问题 | 第38-39页 |
| 4.2.4 抽取补救策略 | 第39页 |
| 4.2.5 特征与情感元素组抽取算法 | 第39-40页 |
| 4.3 特征与情感元素组结构及情感计算 | 第40-43页 |
| 4.4 实验及结果分析 | 第43-46页 |
| 4.4.1 实验基础 | 第43-44页 |
| 4.4.2 实验评价指标 | 第44页 |
| 4.4.3 实验设计 | 第44-45页 |
| 4.4.4 结果及分析 | 第45-46页 |
| 4.5 小结 | 第46-47页 |
| 第五章 粗粒度评论情感倾向分析 | 第47-59页 |
| 5.1 基于情感词典的文本筛选模块 | 第47-49页 |
| 5.2 基于机器学习分类预测模块 | 第49-53页 |
| 5.2.1 基于机器学习的文本情感分类流程 | 第49-50页 |
| 5.2.2 SVM-KNN模型 | 第50-51页 |
| 5.2.3 基于SVM-KNN多特征融合模型 | 第51-53页 |
| 5.3 实验结果与分析 | 第53-58页 |
| 5.3.1 基于不同特征选择方法的不同特征数量的分类效果实验 | 第54-55页 |
| 5.3.2 基于不同词性特征的分类效果实验 | 第55-57页 |
| 5.3.3 基于情感词典训练集挑选的分类效果实验 | 第57-58页 |
| 5.4 小结 | 第58-59页 |
| 第六章 基于评论情感分析的酒店检索系统 | 第59-66页 |
| 6.1 系统整体设计 | 第59-60页 |
| 6.2 酒店信息与评论爬取模块 | 第60-61页 |
| 6.3 评论预处理模块 | 第61-62页 |
| 6.4 评论情感分析模块 | 第62-63页 |
| 6.5 显示界面模块 | 第63-65页 |
| 6.6 小结 | 第65-66页 |
| 第七章 总结与展望 | 第66-68页 |
| 7.1 全文总结 | 第66-67页 |
| 7.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |