| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第2章 微博情感分类相关技术 | 第20-28页 |
| 2.1 微博情感分类流程 | 第20-21页 |
| 2.2 文本预处理 | 第21-22页 |
| 2.2.1 中文分词 | 第21-22页 |
| 2.2.2 微博去噪 | 第22页 |
| 2.3 特征选择与权重计算 | 第22-25页 |
| 2.3.1 特征选择 | 第22-25页 |
| 2.3.2 特征权重计算 | 第25页 |
| 2.4 基于机器学习的文本分类算法 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 中文微博细粒度情感判别方法 | 第28-44页 |
| 3.1 中文微博情感细粒度判别流程 | 第28-29页 |
| 3.2 基于情感元素模型的微博细粒度情感判别方法 | 第29-36页 |
| 3.2.1 情感词来源 | 第29-30页 |
| 3.2.2 情感影响因子 | 第30-32页 |
| 3.2.2.1 词语级影响因子 | 第30-31页 |
| 3.2.2.2 句子级影响因子 | 第31-32页 |
| 3.2.3 情感元素模型 | 第32-34页 |
| 3.2.3.1 依存句法 | 第32-33页 |
| 3.2.3.2 情感元素模型 | 第33-34页 |
| 3.2.4 微博细粒度情感判别 | 第34-36页 |
| 3.2.4.1 情感权重值计算 | 第34-35页 |
| 3.2.4.2 微博细粒度情感判别 | 第35-36页 |
| 3.3 基于多特征支持向量机的微博细粒度情感判别方法 | 第36-43页 |
| 3.3.1 基于卡方算法的微博情感特征选择 | 第37-38页 |
| 3.3.2 基于改进的卡方统计的微博情感特征选择 | 第38-39页 |
| 3.3.3 微博情感分类特征 | 第39-40页 |
| 3.3.4 基于支持向量机的细粒度判别 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 实验 | 第44-52页 |
| 4.1 实验数据 | 第44页 |
| 4.2 评价指标 | 第44-45页 |
| 4.3 特征选择实验 | 第45-47页 |
| 4.4 特征组合实验 | 第47-48页 |
| 4.5 NLPCC评测 | 第48-49页 |
| 4.5.1 评测指标 | 第48-49页 |
| 4.5.2 结果与分析 | 第49页 |
| 4.6 情感分类对比实验 | 第49-50页 |
| 4.7 本章小结 | 第50-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52页 |
| 5.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 作者攻读学位期间的科研成果 | 第58-59页 |
| 致谢 | 第59页 |