| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 微博情感分析的社会领域应用 | 第12页 |
| 1.2.1 舆情监测 | 第12页 |
| 1.2.2 事件预测 | 第12页 |
| 1.3 微博情感分析的商业领域应用 | 第12-13页 |
| 1.4 本文研究内容及创新点 | 第13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 2 相关技术理论与评测 | 第15-26页 |
| 2.1 情感分析问题描述 | 第15页 |
| 2.2 情感分析研究层次 | 第15-17页 |
| 2.2.1 词级情感分析 | 第15-16页 |
| 2.2.2 句级情感分析 | 第16-17页 |
| 2.2.3 篇章级情感分析 | 第17页 |
| 2.3 情感分析与文本分类 | 第17-22页 |
| 2.3.1 文本表示 | 第17-18页 |
| 2.3.2 特征选择 | 第18-20页 |
| 2.3.3 特征权重 | 第20页 |
| 2.3.4 基于规则的方法 | 第20-21页 |
| 2.3.5 基于统计机器学习的方法 | 第21-22页 |
| 2.4 相关评测 | 第22-26页 |
| 3 基于LDA模型的微博情感分类 | 第26-34页 |
| 3.1 引言 | 第26-27页 |
| 3.2 微博预处理 | 第27-28页 |
| 3.3 特征选择 | 第28-29页 |
| 3.4 半监督训练 | 第29-31页 |
| 3.5 主题模型在情感分析中的优势 | 第31-32页 |
| 3.6 基于LDA的情感分析方法 | 第32-34页 |
| 4 实验与分析 | 第34-38页 |
| 4.1 实验语料 | 第34页 |
| 4.2 评价标准 | 第34-35页 |
| 4.3 实验过程 | 第35-36页 |
| 4.3.1 一般的情感分类方法 | 第35-36页 |
| 4.3.2 本文方法 | 第36页 |
| 4.4 实验结果及分析 | 第36-38页 |
| 5 基于LDA的微博情感分类技术在舆情系统中的应用 | 第38-47页 |
| 5.1 网页数据抓取模块 | 第38-39页 |
| 5.2 页面内容提取模块 | 第39-40页 |
| 5.3 数据存储模块 | 第40-42页 |
| 5.4 系统运行效果展示 | 第42-47页 |
| 6 结论与展望 | 第47-48页 |
| 6.1 全文总结 | 第47页 |
| 6.2 进一步展望 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50页 |