| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 社交媒体情感分析研究现状 | 第10-14页 |
| 1.2.1 情感分类任务介绍 | 第10-11页 |
| 1.2.2 社交媒体情感分类研究现状 | 第11-12页 |
| 1.2.3 存在的问题 | 第12-13页 |
| 1.2.4 国内外相关评测 | 第13-14页 |
| 1.3 本文主要研究内容与论文结构安排 | 第14-15页 |
| 1.3.1 论文主要研究内容 | 第14页 |
| 1.3.2 论文组织结构 | 第14-15页 |
| 2 文本情感分类相关技术 | 第15-24页 |
| 2.1 基本技术 | 第15-20页 |
| 2.1.1 文本表示之向量空间模型 | 第15-16页 |
| 2.1.2 中文分词 | 第16-17页 |
| 2.1.3 特征选择 | 第17-19页 |
| 2.1.4 评估指标 | 第19-20页 |
| 2.2 无监督情感分类方法 | 第20-21页 |
| 2.3 监督情感分类方法 | 第21-23页 |
| 2.4 深度学习在情感分析上的应用 | 第23-24页 |
| 3 机器学习与语义规则融合的中文微博情感分类 | 第24-34页 |
| 3.1 微博情感分类规则方法 | 第26-27页 |
| 3.1.1 简单规则方法Rule-Method-1 | 第26页 |
| 3.1.2 语义规则方法Rule-Method-2 | 第26-27页 |
| 3.2 基于特征嵌入的机器学习与规则融合方法 | 第27-29页 |
| 3.3 实验与分析 | 第29-32页 |
| 3.3.1 测试数据集 | 第29-30页 |
| 3.3.2 基于词典的规则情感分类 | 第30-31页 |
| 3.3.3 机器学习情感分类 | 第31页 |
| 3.3.4 基于特征嵌入的融合方法性能 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 4 基于自然标注数据的情感词典构建方法 | 第34-44页 |
| 4.1 相关工作 | 第34-35页 |
| 4.2 自然标注数据集 | 第35-36页 |
| 4.2.1 英文自然标注数据集 | 第35页 |
| 4.2.2 中文自然标注数据集 | 第35-36页 |
| 4.3 情感词典构建 | 第36-40页 |
| 4.3.1 基于互信息的词典构建方法 | 第37-38页 |
| 4.3.2 基于简单神经网络的词典构建方法 | 第38页 |
| 4.3.3 改进神经网络预测模型 | 第38-40页 |
| 4.4 实验结果与分析 | 第40-43页 |
| 4.4.1 测试数据集 | 第40页 |
| 4.4.2 基于多种情感词典的无监督情感分类 | 第40-41页 |
| 4.4.3 基于多种情感词典的监督情感分类 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 基于集成学习的微博情感分类模型 | 第44-55页 |
| 5.1 集成学习 | 第44-45页 |
| 5.2 Bagging集成的终身学习模型 | 第45-47页 |
| 5.2.1 Bagging集成算法介绍 | 第45-46页 |
| 5.2.2 动机与模型描述 | 第46-47页 |
| 5.3 Stacking集成的终身学习模型 | 第47-48页 |
| 5.3.1 Stacking集成算法介绍 | 第47页 |
| 5.3.2 动机与模型描述 | 第47-48页 |
| 5.4 实验与分析 | 第48-54页 |
| 5.4.1 实验数据集 | 第48-49页 |
| 5.4.2 实验设置 | 第49页 |
| 5.4.3 Bagging集成模型 | 第49-52页 |
| 5.4.4 Stacking集成模型 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 作总结 | 第55-56页 |
| 6.2 研究展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63页 |