舆情监控系统中的数据倾向分析研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外现状 | 第9-14页 |
| 1.2.1 同领域人群倾向分析研究现状 | 第9-12页 |
| 1.2.2 不同领域人群倾向分析研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 2 数据倾向分类方法 | 第16-24页 |
| 2.1 特征选择技术 | 第16-18页 |
| 2.1.1 词频法、文档频次法 | 第16页 |
| 2.1.2 互信息 | 第16-17页 |
| 2.1.3 信息增益提取与决策树 | 第17-18页 |
| 2.2 文本分类技术 | 第18-22页 |
| 2.2.1 向量空间模型 | 第18页 |
| 2.2.2 支持向量机 | 第18-19页 |
| 2.2.3 朴素贝叶斯算法 | 第19-20页 |
| 2.2.4 邻近算法 | 第20-21页 |
| 2.2.5 单边带分类 | 第21页 |
| 2.2.6 Hownet经典算法 | 第21-22页 |
| 2.3 TF/IDF权值计算技术 | 第22页 |
| 2.4 小结 | 第22-24页 |
| 3 优化倾向分析方法 | 第24-34页 |
| 3.1 特征选择技术优化方法 | 第24-26页 |
| 3.1.1 文档频率法改进 | 第24-25页 |
| 3.1.2 信息增益法改进 | 第25-26页 |
| 3.1.3 互信息法改进 | 第26页 |
| 3.2 主观提取技术优化方法 | 第26-33页 |
| 3.2.1 义源词汇衍生法分析观点 | 第27-31页 |
| 3.2.2 构建主题模型识别文本主题 | 第31-33页 |
| 3.3 小结 | 第33-34页 |
| 4 基于机器学习理念构建舆情分类模型 | 第34-42页 |
| 4.1 目标需求 | 第34页 |
| 4.2 主观思维差异表现 | 第34-35页 |
| 4.2.1 中文表达复杂性 | 第34页 |
| 4.2.2 .领域人群差异性 | 第34-35页 |
| 4.3 解决方案 | 第35页 |
| 4.4 机器学习和数据挖掘理念 | 第35-36页 |
| 4.5 分类器结合原理 | 第36-38页 |
| 4.5.1 分类器组合方案 | 第37页 |
| 4.5.2 传统分类器融合方法 | 第37-38页 |
| 4.5.3 优化分类器融合理念 | 第38页 |
| 4.6 二分法模型搭建 | 第38-41页 |
| 4.6.1 分类器模型原理 | 第38-39页 |
| 4.6.2 分类器实现过程 | 第39-41页 |
| 4.7 小结 | 第41-42页 |
| 5 舆情分析实验 | 第42-58页 |
| 5.1 环境搭建 | 第42页 |
| 5.2 评价指标 | 第42页 |
| 5.3 数据集 | 第42-43页 |
| 5.4 实验步骤 | 第43-44页 |
| 5.5 特征选择优化实验 | 第44-49页 |
| 5.5.1 数据预处理 | 第44-45页 |
| 5.5.2 LDA模型的特征优化效果 | 第45-46页 |
| 5.5.3 weka构建与十字交叉 | 第46-47页 |
| 5.5.4 特征优化效果 | 第47-49页 |
| 5.6 数据倾向分类实验 | 第49-55页 |
| 5.6.1 采用eclipse实现数据二次处理 | 第49-50页 |
| 5.6.2 在Hadoop平台上实验 | 第50-55页 |
| 5.7 小结 | 第55-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 附录 | 第68页 |
