领域自适应的中文情感分析词典构建研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-31页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 课题的研究目的和意义 | 第12-13页 |
| 1.3 情感分析的研究现状 | 第13-23页 |
| 1.3.1 情感分析的基本任务 | 第13-14页 |
| 1.3.2 篇章级情感分析 | 第14-16页 |
| 1.3.3 句子级情感分析 | 第16-17页 |
| 1.3.4 词语级情感分析 | 第17-21页 |
| 1.3.5 微博情感分析 | 第21-23页 |
| 1.4 情感分析资源综述 | 第23-29页 |
| 1.4.1 自动获取情感语料方法 | 第23-24页 |
| 1.4.2 英文情感分析资源 | 第24-26页 |
| 1.4.3 中文情感分析词典资源 | 第26-28页 |
| 1.4.4 情感分析评价标准 | 第28-29页 |
| 1.5 本文的主要研究内容 | 第29-31页 |
| 第2章 基于半指导方法的通用情感词典资源构建 | 第31-48页 |
| 2.1 引言 | 第31页 |
| 2.2 总体流程 | 第31-32页 |
| 2.3 基于半指导方法的通用情感词典构建 | 第32-39页 |
| 2.3.1 情感词种子抽取 | 第32-34页 |
| 2.3.2 构建语义图 | 第34-36页 |
| 2.3.3 计算情感分值 | 第36-39页 |
| 2.4 实验结果与分析 | 第39-47页 |
| 2.4.1 实验数据 | 第39-41页 |
| 2.4.2 评价标准 | 第41页 |
| 2.4.3 结果与分析 | 第41-47页 |
| 2.5 本章小结 | 第47-48页 |
| 第3章 基于随机最小割算法的情感词语极性识别 | 第48-56页 |
| 3.1 引言 | 第48页 |
| 3.2 总体流程 | 第48-49页 |
| 3.3 基于随机最小割的情感词典构建 | 第49-54页 |
| 3.3.1 有指导的学习方法 | 第50页 |
| 3.3.2 随机最小割学习算法 | 第50-54页 |
| 3.4 实验结果与分析 | 第54-55页 |
| 3.4.1 实验数据 | 第54页 |
| 3.4.2 基于有指导方法的实验结果 | 第54-55页 |
| 3.4.3 基于随机最小割算法的实验结果 | 第55页 |
| 3.5 本章小结 | 第55-56页 |
| 第4章 基于统计分析的领域情感词典构建 | 第56-63页 |
| 4.1 引言 | 第56页 |
| 4.2 总体流程 | 第56-57页 |
| 4.3 基于统计分析的领域情感词典构建 | 第57-60页 |
| 4.3.1 领域评价对象抽取 | 第57-58页 |
| 4.3.2 领域情感词语抽取和极性识别 | 第58-60页 |
| 4.4 实验结果与分析 | 第60-62页 |
| 4.4.1 实验数据 | 第60页 |
| 4.4.2 评价标准 | 第60页 |
| 4.4.3 结果与分析 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 领域自适应的情感词语挖掘平台设计 | 第63-67页 |
| 5.1 引言 | 第63页 |
| 5.2 情感词典抽取平台 SWMine | 第63-66页 |
| 5.3 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-76页 |
| 攻读学位期间发表的学术论文 | 第76-78页 |
| 致谢 | 第78-79页 |
