| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第9-15页 |
| 1.1 背景知识及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-13页 |
| 1.4 文章组织结构 | 第13-15页 |
| 第二章 相关技术和理论基础 | 第15-19页 |
| 2.1 中文分词与新词发现技术 | 第15-16页 |
| 2.1.1 中文分词的意义与现状 | 第15-16页 |
| 2.1.2 新词发现主要方法 | 第16页 |
| 2.2 机器学习技术 | 第16-19页 |
| 2.2.1 机器学习介绍 | 第16-17页 |
| 2.2.2 机器学习典型算法 | 第17-19页 |
| 第三章 面向微博的新词发现与分词优化研究 | 第19-31页 |
| 3.1 基于N-Gram的新词一次抽取 | 第19-23页 |
| 3.1.1 N-Gram思想应用 | 第19-20页 |
| 3.1.2 基于二元模型(Bi-Gram)新词抽取算法 | 第20-23页 |
| 3.2 基于左右信息熵的新词二次抽取 | 第23-25页 |
| 3.2.1 左侧信息熵和右侧信息熵 | 第23-24页 |
| 3.2.2 基于左右信息熵的迭代抽取算法 | 第24-25页 |
| 3.3 基于规则的词语过滤 | 第25-27页 |
| 3.4 实验过程及结果分析 | 第27-31页 |
| 3.4.1 样本选择 | 第27-28页 |
| 3.4.2 实验流程 | 第28-29页 |
| 3.4.3 结果分析 | 第29-31页 |
| 第四章 情感词典构建研究 | 第31-38页 |
| 4.1 情感词典概念 | 第31页 |
| 4.2 基于HowNet算法的情感相似度计算 | 第31-33页 |
| 4.3 基于SO-PMI算法的新词情感倾向计算 | 第33-34页 |
| 4.4 情感符号词典 | 第34-35页 |
| 4.5 实验过程及结果分析 | 第35-38页 |
| 4.5.1 词典构建流程 | 第35-36页 |
| 4.5.2 对比结果与分析 | 第36-38页 |
| 第五章 主题-情感聚类的研究 | 第38-50页 |
| 5.1 基于LDA模型的主题聚类 | 第38-41页 |
| 5.2 主题-情感联合模型推导 | 第41-44页 |
| 5.3 模型应用设计 | 第44-45页 |
| 5.4 实验过程及结果分析 | 第45-50页 |
| 5.4.1 样本选择 | 第45页 |
| 5.4.2 模型参数设置 | 第45-46页 |
| 5.4.3 聚类效果与分析 | 第46-50页 |
| 第六章 细粒度情感分类研究 | 第50-57页 |
| 6.1 基于随机森林的细粒度情感分类 | 第50-54页 |
| 6.1.1 句子级细粒度分类设计 | 第50-53页 |
| 6.1.2 主题级细粒度情感分类设计 | 第53-54页 |
| 6.2 实验过程及结果分析 | 第54-57页 |
| 6.2.1 样本选择 | 第54页 |
| 6.2.2 实验流程 | 第54页 |
| 6.2.3 分类效果与分析 | 第54-57页 |
| 第七章 系统的设计和实现 | 第57-62页 |
| 7.1 系统设计概述 | 第57-58页 |
| 7.2 系统实现效果 | 第58-62页 |
| 第八章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 在学期间的研究成果 | 第67-68页 |
| 致谢 | 第68页 |