| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第11-25页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状及分析 | 第12-21页 |
| 1.2.1 文档级情感分类 | 第13-16页 |
| 1.2.2 句子级情感分类 | 第16-18页 |
| 1.2.3 词语级情感分类 | 第18-20页 |
| 1.2.4 跨领域情感分类 | 第20页 |
| 1.2.5 跨语言情感分类 | 第20-21页 |
| 1.3 面临的问题及挑战 | 第21-22页 |
| 1.4 本文的主要工作 | 第22-23页 |
| 1.5 本文的内容安排 | 第23-25页 |
| 2 文本情感分类基础知识 | 第25-33页 |
| 2.1 引言 | 第25页 |
| 2.2 向量空间模型 | 第25-26页 |
| 2.3 常用分类方法 | 第26-30页 |
| 2.3.1 朴素贝叶斯法 | 第26-27页 |
| 2.3.2 支持向量机 | 第27-28页 |
| 2.3.3 最大熵模型 | 第28-30页 |
| 2.4 评价指标 | 第30-31页 |
| 2.5 常用情感资源 | 第31-32页 |
| 2.5.1 情感词典 | 第31页 |
| 2.5.2 情感语料 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 基于特征扩展与集成学习的句子级情感分类方法 | 第33-57页 |
| 3.1 引言 | 第33-35页 |
| 3.2 相关工作 | 第35-36页 |
| 3.2.1 短文本分类/聚类 | 第35页 |
| 3.2.2 句子级情感分类 | 第35-36页 |
| 3.3 概率主题模型 | 第36-39页 |
| 3.3.1 LDA模型 | 第36-37页 |
| 3.3.2 JST模型 | 第37-39页 |
| 3.4 词向量表示模型 | 第39-40页 |
| 3.5 基于特征扩展及集成学习的情感分类算法 | 第40-44页 |
| 3.5.1 算法框架 | 第40-41页 |
| 3.5.2 基于主题的特征扩展 | 第41页 |
| 3.5.3 基于相关词的特征扩展 | 第41-42页 |
| 3.5.4 集成分类器构建 | 第42页 |
| 3.5.5 算法的整体描述 | 第42-44页 |
| 3.6 实验及分析 | 第44-56页 |
| 3.6.1 实验数据集及设置 | 第44-45页 |
| 3.6.2 数据预处理 | 第45-46页 |
| 3.6.3 对比方法 | 第46-47页 |
| 3.6.4 实验结果及分析 | 第47-52页 |
| 3.6.5 数据驱动特征与基于情感词典的特征的对比 | 第52页 |
| 3.6.6 参数分析 | 第52-54页 |
| 3.6.7 外部数据集大小的影响 | 第54-56页 |
| 3.7 本章小结 | 第56-57页 |
| 4 基于情感词典与机器学习的无监督情感分类框架 | 第57-73页 |
| 4.1 引言 | 第57-58页 |
| 4.2 相关工作 | 第58-59页 |
| 4.3 半监督学习方法 | 第59-62页 |
| 4.3.1 自训练 | 第59页 |
| 4.3.2 直推式支持向量机 | 第59-61页 |
| 4.3.3 谱图直推器 | 第61-62页 |
| 4.4 词典与统计相结合的无监督情感分类框架 | 第62-65页 |
| 4.4.1 基于情感词典的分类阶段 | 第62-64页 |
| 4.4.2 基于语料的学习阶段 | 第64-65页 |
| 4.5 实验及分析 | 第65-71页 |
| 4.5.1 实验数据集 | 第65-66页 |
| 4.5.2 情感词典 | 第66页 |
| 4.5.3 实验设置 | 第66-67页 |
| 4.5.4 对比方法 | 第67-68页 |
| 4.5.5 实验结果及分析 | 第68-71页 |
| 4.6 小结 | 第71-73页 |
| 5 基于数据集划分与自训练的无监督文档情感分类方法 | 第73-93页 |
| 5.1 引言 | 第73页 |
| 5.2 相关工作 | 第73-74页 |
| 5.3 基于数据集划分与自训练的情感分类算法 | 第74-80页 |
| 5.3.1 文档的情感倾向性分值计算 | 第75-76页 |
| 5.3.2 数据集划分 | 第76-77页 |
| 5.3.3 改进的自训练方法 | 第77-78页 |
| 5.3.4 算法的整体过程 | 第78-80页 |
| 5.4 实验及分析 | 第80-91页 |
| 5.4.1 实验设置 | 第80页 |
| 5.4.2 对比方法 | 第80-81页 |
| 5.4.3 实验结果及分析 | 第81-85页 |
| 5.4.4 参数分析 | 第85-88页 |
| 5.4.5 数据集大小的影响 | 第88-91页 |
| 5.5 小结 | 第91-93页 |
| 6 基于随机子空间与协同训练的跨语言情感分类方法 | 第93-105页 |
| 6.1 引言 | 第93-94页 |
| 6.2 相关工作 | 第94-95页 |
| 6.3 跨语言情感分类算法 | 第95-98页 |
| 6.3.1 基于词性组合的随机子空间法 | 第96-97页 |
| 6.3.2 基于特征子空间的协同训练算法 | 第97-98页 |
| 6.4 实验及分析 | 第98-104页 |
| 6.4.1 实验设置 | 第98-100页 |
| 6.4.2 对比方法 | 第100页 |
| 6.4.3 实验结果及分析 | 第100-102页 |
| 6.4.4 参数分析 | 第102-104页 |
| 6.5 小结 | 第104-105页 |
| 7 总结与展望 | 第105-107页 |
| 7.1 论文的主要贡献及创新之处 | 第105-106页 |
| 7.2 后续研究工作的展望 | 第106-107页 |
| 致谢 | 第107-109页 |
| 参考文献 | 第109-123页 |
| 附录 | 第123-124页 |
| A作者在攻读博士学位期间发表的论文目录 | 第123-124页 |
| B作者在攻读博士学位期间参加的科研项目 | 第124页 |
| C作者在攻读博士学位期间所获科研奖励 | 第124页 |