基于电子商务的评论文本情感极性等级分析
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| ·研究背景 | 第9-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·研究的目的和意义 | 第13-14页 |
| ·研究中的困难与不足 | 第14-16页 |
| ·研究中的困难 | 第14-15页 |
| ·发展中的不足 | 第15-16页 |
| ·研究内容及组织结构 | 第16-18页 |
| ·主要研究内容 | 第16-17页 |
| ·论文组织结构 | 第17-18页 |
| 第二章 情感分析的研究方法及相关算法 | 第18-23页 |
| ·基于机器学习方法 | 第18-20页 |
| ·朴素贝叶斯算法（NB） | 第18-19页 |
| ·最大熵算法（ME） | 第19页 |
| ·支持向量机（SVMs） | 第19-20页 |
| ·基于词频的方法 | 第20-21页 |
| ·语义相关场 | 第20页 |
| ·语义相似度 | 第20-21页 |
| ·基于规则的方法 | 第21页 |
| ·性能评估方法 | 第21-23页 |
| 第三章 文本情感分析的流程及应用 | 第23-31页 |
| ·文本预处理 | 第23-25页 |
| ·向量空间模型（VSM） | 第23-24页 |
| ·降维操作 | 第24-25页 |
| ·情感信息抽取 | 第25-28页 |
| ·特征提取法 | 第25-26页 |
| ·情感词典 | 第26-28页 |
| ·选择分类器 | 第28页 |
| ·情感归纳 | 第28页 |
| ·情感分析的应用 | 第28-31页 |
| ·机器人的情感计算 | 第29页 |
| ·提供决策支持 | 第29页 |
| ·网络舆情与风险分析 | 第29-30页 |
| ·信息预测 | 第30页 |
| ·产品推荐 | 第30-31页 |
| 第四章 基于模糊理论的情感词典建立方法 | 第31-43页 |
| ·模糊理论 | 第31-34页 |
| ·模糊理论的概述 | 第31-32页 |
| ·模糊理论使用注意事项 | 第32-33页 |
| ·模糊理论与文本情感分析的结合 | 第33-34页 |
| ·STEP 算法 | 第34-38页 |
| ·STEP 算法的提出 | 第35-36页 |
| ·算法的步骤 | 第36-37页 |
| ·STEP 算法标注结果及分析 | 第37-38页 |
| ·词语情感程度度量 | 第38-42页 |
| ·词语的中心度 | 第38-39页 |
| ·度量方法 | 第39页 |
| ·实验及结果分析 | 第39-41页 |
| ·NOS拓展 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 电商网站评论文本的情感计算系统 | 第43-67页 |
| ·系统目标 | 第43页 |
| ·系统架构 | 第43-44页 |
| ·评价语料库准备 | 第44-46页 |
| ·语料预处理 | 第46-51页 |
| ·语料分词 | 第46-47页 |
| ·词性标注 | 第47-50页 |
| ·去除停用词 | 第50-51页 |
| ·领域情感词典与情感信息抽取 | 第51-57页 |
| ·领域情感词典 | 第51页 |
| ·适用电商领域的情感词典改造 | 第51-55页 |
| ·情感信息抽取 | 第55-57页 |
| ·评论文本情感极性分类算法 | 第57-60页 |
| ·情感极性加权统计算法 | 第57-58页 |
| ·对加权统计算法的改进 | 第58-60页 |
| ·实验及分析 | 第60-66页 |
| ·实验环境 | 第60-61页 |
| ·数据库设计 | 第61-63页 |
| ·实验准备 | 第63-64页 |
| ·对比实验结果及分析 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 总结和展望 | 第67-68页 |
| ·全文总结 | 第67页 |
| ·展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 在学期间取得的学术成果 | 第73页 |
