面向社会化媒体用户评论行为的属性推断
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 问题描述 | 第14-16页 |
| 1.3 本文工作 | 第16-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第二章 相关工作 | 第19-25页 |
| 2.1 基于用户行为的属性推断 | 第19-21页 |
| 2.2 用户评论数据的文本分析 | 第21-22页 |
| 2.2.1 基于人工标注特征提取 | 第21页 |
| 2.2.2 基于特定词特征提取 | 第21页 |
| 2.2.3 基于语义关系特征提取 | 第21-22页 |
| 2.3 不平衡数据的分类学习 | 第22-23页 |
| 2.3.1 采样技术 | 第22-23页 |
| 2.3.2 代价敏感学习 | 第23页 |
| 2.3.3 集成学习 | 第23页 |
| 2.4 小结 | 第23-25页 |
| 第三章 用户评论行为建模 | 第25-33页 |
| 3.1 用户评论样式特征 | 第25-26页 |
| 3.2 用户评论行为数据的上下文特征 | 第26-27页 |
| 3.3 用户评论行为数据的客体特征 | 第27页 |
| 3.4 基于语义知识库的评论分析 | 第27-29页 |
| 3.4.1 语义知识库的选择 | 第28页 |
| 3.4.2 层次化语义分析 | 第28-29页 |
| 3.4.3 语义特征的路径向量表示 | 第29页 |
| 3.5 基于词向量的评论挖掘 | 第29-32页 |
| 3.5.1 词向量模型 | 第30页 |
| 3.5.2 基于词向量的用户建模 | 第30-32页 |
| 3.6 小结 | 第32-33页 |
| 第四章 基于特征重要性的概率选择 | 第33-41页 |
| 4.1 符号定义 | 第33页 |
| 4.2 特征重要性度量 | 第33-37页 |
| 4.2.1 基于熵的特征重要性度量 | 第34页 |
| 4.2.2 基于基尼指数的特征重要性度量 | 第34-36页 |
| 4.2.3 特征重要性与概率选择 | 第36-37页 |
| 4.3 基于信息增益的概率包裹式特征筛选 | 第37-39页 |
| 4.4 基于启发式概率特征搜索算法 | 第39-40页 |
| 4.5 小结 | 第40-41页 |
| 第五章 数据不平衡分类学习 | 第41-45页 |
| 5.1 基于分类学习的属性推断 | 第41-42页 |
| 5.2 面向不均衡属性分布的增强学习 | 第42-43页 |
| 5.3 小结 | 第43-45页 |
| 第六章 实验 | 第45-55页 |
| 6.1 数据集与数据预处理 | 第45-46页 |
| 6.2 性能度量指标 | 第46-47页 |
| 6.3 实验结果 | 第47-54页 |
| 6.3.1 属性推断方法对比 | 第47-48页 |
| 6.3.2 用户行为建模分析 | 第48-49页 |
| 6.3.3 特征筛选算法对比及参数分析 | 第49-52页 |
| 6.3.4 不均衡样本比例处理方法对比及参数分析 | 第52-54页 |
| 6.3.5 用户行为不均衡性对分类结果的影响 | 第54页 |
| 6.4 小结 | 第54-55页 |
| 第七章 总结与展望 | 第55-56页 |
| 7.1 总结 | 第55页 |
| 7.2 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文和参加科研情况 | 第63-64页 |
| 攻读学位期间参加的科研项目 | 第64-65页 |
| 学位论文评阅及答辩情况表 | 第65页 |
