| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-19页 |
| ·研究背景 | 第9-10页 |
| ·WEB 挖掘 | 第10-13页 |
| ·WEB 内容挖掘 | 第10-12页 |
| ·WEB 结构挖掘 | 第12页 |
| ·WEB 访问挖掘 | 第12-13页 |
| ·文本分析 | 第13-14页 |
| ·国内外的研究现状 | 第14-16页 |
| ·研究的意义 | 第16-17页 |
| ·论文的研究内容以及组织结构 | 第17-19页 |
| ·论文研究内容 | 第17页 |
| ·论文组织结构 | 第17-19页 |
| 第2章 基于网络舆情的ＷＥＢ挖掘与网络爬虫 | 第19-28页 |
| ·ＷＥＢ挖掘在网络舆情方面的应用 | 第19-23页 |
| ·网络爬虫技术 | 第23-27页 |
| ·搜索引擎 | 第23-24页 |
| ·网络爬虫 | 第24-26页 |
| ·主题网络爬虫 | 第26-27页 |
| ·结合主题爬虫的网络舆情 WEB 挖掘 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第3章 网络舆情的文本分析 | 第28-40页 |
| ·网络舆情文本的分词 | 第28-31页 |
| ·中文自动分词 | 第28-29页 |
| ·中文分词算法 | 第29-31页 |
| ·最大匹配算法的改进 | 第31-33页 |
| ·网络舆情文本的聚类 | 第33-39页 |
| ·关于文本聚类 | 第34-35页 |
| ·文本的特征表示 | 第35-37页 |
| ·K-MEANS 算法的改进 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 网络舆情文本情感倾向性分析 | 第40-49页 |
| ·情感倾向性分析 | 第40-41页 |
| ·情感倾向性分析方法 | 第41-42页 |
| ·基于词典的情感倾向性分析技术研究 | 第42-45页 |
| ·情感语料库 | 第42-43页 |
| ·情感强度的计算 | 第43-45页 |
| ·基于模式匹配和 FWNB 的网络舆情文本情感倾向性分类 | 第45-48页 |
| ·贝叶斯分类器 | 第45-46页 |
| ·基于属性权重学习的朴素贝叶斯分类器 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 实验测试与分析 | 第49-54页 |
| ·网络舆情主题爬虫 | 第49-50页 |
| ·实验的建立 | 第49页 |
| ·实验结果分析 | 第49-50页 |
| ·最大匹配算法改进测试 | 第50-51页 |
| ·实验的建立 | 第50页 |
| ·实验结果分析 | 第50-51页 |
| ·改进的 K-MEAMS 算法测试 | 第51页 |
| ·实验的建立 | 第51页 |
| ·实验结果分析 | 第51页 |
| ·网络舆情文本的情感倾向性分析测试 | 第51-53页 |
| ·实验的建立 | 第51-52页 |
| ·实验结果分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |