| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 微博研究现状 | 第13-15页 |
| 1.2.2 情感分析研究现状 | 第15-16页 |
| 1.3 本文研究目的与研究内容 | 第16-19页 |
| 1.3.1 研究目的 | 第16-17页 |
| 1.3.2 研究内容 | 第17-18页 |
| 1.3.3 课题来源 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 第2章 相关理论与技术 | 第20-28页 |
| 2.1 文本预处理 | 第20-23页 |
| 2.1.1 中文分词技术 | 第20-22页 |
| 2.1.2 正则表达式 | 第22-23页 |
| 2.2 文本模型表示及相似度计算 | 第23-26页 |
| 2.2.1 向量空间模型 | 第23-25页 |
| 2.2.2 LDA模型 | 第25页 |
| 2.2.3 相似度计算 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第3章 面向微博客细粒度情感分析的微博客相似度计算 | 第28-46页 |
| 3.1 问题的提出 | 第28页 |
| 3.2 LDA模型 | 第28-30页 |
| 3.2.1 LDA模型的详细描述 | 第28-30页 |
| 3.2.2 LDA模型的参数与意义 | 第30页 |
| 3.3 相似度计算 | 第30-35页 |
| 3.3.1 特征词的第三方主题相关性 | 第31-32页 |
| 3.3.2 微博的向量表示 | 第32-33页 |
| 3.3.3 微博的向量值更新 | 第33-34页 |
| 3.3.4 两条微博的相似度 | 第34页 |
| 3.3.5 相似度计算算法描述 | 第34-35页 |
| 3.4 实验结果及分析 | 第35-44页 |
| 3.4.1 实验数据 | 第35-41页 |
| 3.4.2 实验环境 | 第41-42页 |
| 3.4.3 结果评价标准 | 第42-43页 |
| 3.4.4 特征词主题相似度阈值选取 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于贝叶斯定理的微博客细粒度情感分析 | 第46-54页 |
| 4.1 问题的提出 | 第46-47页 |
| 4.2 贝叶斯分类 | 第47页 |
| 4.3 贝叶斯细粒度情感概率 | 第47-49页 |
| 4.4 贝叶斯细粒度情感分析 | 第49-51页 |
| 4.4.1 设定阈值法 | 第49-50页 |
| 4.4.2 指定情感数目 | 第50页 |
| 4.4.3 情感判定方法算法描述 | 第50-51页 |
| 4.5 实验结果及分析 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 基于K近邻的微博客细粒度情感分析 | 第54-62页 |
| 5.1 问题的提出 | 第54页 |
| 5.2 K近邻分类方法 | 第54-55页 |
| 5.3 K近邻细粒度情感分析 | 第55-58页 |
| 5.3.1 指定情感数目法 | 第56-57页 |
| 5.3.2 直接比较数目法 | 第57页 |
| 5.3.3 直接比较概率法 | 第57-58页 |
| 5.4 实验结果及分析 | 第58-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第6章 结合贝叶斯定理的K近邻微博客细粒度情感分析 | 第62-70页 |
| 6.1 问题的提出 | 第62页 |
| 6.2 结合贝叶斯定理的K近邻细粒度情感分析 | 第62-66页 |
| 6.3 实验结果及分析 | 第66-68页 |
| 6.3.1 结合贝叶斯定理的K近邻细粒度情感分析实验 | 第66-67页 |
| 6.3.2 微博客细粒度情感分析的三种方法结果对比 | 第67-68页 |
| 6.4 本章小结 | 第68-70页 |
| 第7章 总结及未来工作 | 第70-72页 |
| 7.1 总结 | 第70-71页 |
| 7.2 未来工作 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 攻硕期间参与项目及获奖情况 | 第78页 |
