| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外发展及现状 | 第14-15页 |
| 1.2.2 国内发展及现状 | 第15-16页 |
| 1.3 论文研究目标与内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第二章 相关技术研究 | 第19-33页 |
| 2.1 文本情感分类的总体分析 | 第19-20页 |
| 2.2 网络评论 | 第20-22页 |
| 2.2.1 网络评论的兴起 | 第20-22页 |
| 2.2.2 网络评论的特点 | 第22页 |
| 2.3 文本预处理 | 第22-26页 |
| 2.3.1 信息抽取 | 第22-24页 |
| 2.3.2 中文分词 | 第24-26页 |
| 2.3.3 去停用词 | 第26页 |
| 2.4 语料库 | 第26-28页 |
| 2.5 文本情感分类技术 | 第28-32页 |
| 2.5.1 基于情感词典的情感分类方法 | 第28-30页 |
| 2.5.2 基于机器学习分析的情感分类方法 | 第30-32页 |
| 2.6 本章小节 | 第32-33页 |
| 第三章 基于Word2vec与SO-PMI结合的情感分类 | 第33-57页 |
| 3.1 情感词典介绍 | 第33-35页 |
| 3.2 词典集的构建 | 第35-39页 |
| 3.2.1 基础情感词典的构建 | 第35-36页 |
| 3.2.2 网络用词情感词典的构建 | 第36-37页 |
| 3.2.3 程度词词典的构建 | 第37-38页 |
| 3.2.4 否定词词典的构建 | 第38-39页 |
| 3.3 词向量 | 第39-45页 |
| 3.3.1 词向量表示 | 第39页 |
| 3.3.2 词向量模型 | 第39-40页 |
| 3.3.3 Word2vec模型 | 第40-45页 |
| 3.4 基于Word2vec与SO-PMI结合的情感词典扩充方法 | 第45-51页 |
| 3.4.1 SO-PMI算法 | 第46-48页 |
| 3.4.2 情感词典扩充 | 第48-51页 |
| 3.5 基于情感词典的情感倾向性的判断 | 第51-52页 |
| 3.6 分类性能 | 第52-53页 |
| 3.7 基于情感词典的情感分类实验结果及分析 | 第53-56页 |
| 3.8 本章小结 | 第56-57页 |
| 第四章 基于FastText与分类器结合的情感分类 | 第57-74页 |
| 4.1 基于fasttext与分类器结合的情感分类流程 | 第57-58页 |
| 4.2 特征选择 | 第58-60页 |
| 4.3 FastText模型 | 第60-63页 |
| 4.4 分类器构造 | 第63-67页 |
| 4.4.1 支持向量机 | 第63-64页 |
| 4.4.2 朴素贝叶斯分类器 | 第64-66页 |
| 4.4.3 随机森林 | 第66-67页 |
| 4.5 基于情感词典与机器学习相结合的情感分类 | 第67-68页 |
| 4.6 基于机器学习的情感类析实验结果及分析 | 第68-73页 |
| 4.7 本章小节 | 第73-74页 |
| 第五章 情感分析系统的设计与实现 | 第74-87页 |
| 5.1 系统设计 | 第74-81页 |
| 5.1.1 系统总体架构设计 | 第74-75页 |
| 5.1.2 系统模块设计 | 第75-79页 |
| 5.1.3 系统数据库设计 | 第79-81页 |
| 5.2 系统实现 | 第81-84页 |
| 5.3 系统测试 | 第84-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第六章 总结与展望 | 第87-89页 |
| 6.1 总结 | 第87-88页 |
| 6.2 展望 | 第88-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 攻读硕士学位期间取得的研究成果 | 第94页 |
