| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 情感分类研究现状 | 第10-13页 |
| 1.2.1 情感分类任务 | 第10-11页 |
| 1.2.2 情感字典的生成 | 第11-12页 |
| 1.2.3 情感分类模型 | 第12-13页 |
| 1.3 半监督情感分类研究现状 | 第13-15页 |
| 1.3.1 模型结合语言学的方法 | 第14页 |
| 1.3.2 基于统计学习的方法 | 第14页 |
| 1.3.3 两种极性转移解决方法比较 | 第14-15页 |
| 1.4 论文的研究内容与组织结构 | 第15-17页 |
| 2 情感分类相关技术介绍 | 第17-26页 |
| 2.1 情感分类基础知识简介 | 第17-21页 |
| 2.1.1 向量空间模型 | 第17-18页 |
| 2.1.2 特征权重 | 第18页 |
| 2.1.3 特征选择 | 第18-20页 |
| 2.1.4 训练分类器 | 第20页 |
| 2.1.5 分类结果评估 | 第20-21页 |
| 2.2 机器学习与分类技术简介 | 第21-26页 |
| 2.2.1 监督学习 | 第22-24页 |
| 2.2.2 无监督学习 | 第24-25页 |
| 2.2.3 半监督学习 | 第25-26页 |
| 3 基于半监督学习的情感分类 | 第26-40页 |
| 3.1 Self-training和Reserved self-training | 第26-29页 |
| 3.1.1 方法简介 | 第26-27页 |
| 3.1.2 实验介绍与分析 | 第27-29页 |
| 3.2 协同训练(Co-Training) | 第29-31页 |
| 3.2.1 方法简介 | 第29页 |
| 3.2.2 实验介绍与分析 | 第29-31页 |
| 3.3 直推式支持向量机(Transductive Support Vector Machine,TSVM) | 第31-35页 |
| 3.3.1 方法简介 | 第31-33页 |
| 3.3.2 实验介绍与分析 | 第33-35页 |
| 3.4 Personal/Impersonal方法 | 第35-39页 |
| 3.4.1 方法介绍 | 第35-37页 |
| 3.4.2 实验介绍与分析 | 第37-39页 |
| 3.5 四种实验的对比 | 第39-40页 |
| 4 基于对偶系统的半监督情感分类 | 第40-49页 |
| 4.1 算法思想 | 第40-41页 |
| 4.1.1 反义样本的构成 | 第40-41页 |
| 4.1.2 对偶训练和对偶测试 | 第41页 |
| 4.2 半监督对偶系统 | 第41-43页 |
| 4.2.1 引入 | 第41-42页 |
| 4.2.2 算法结构设计 | 第42-43页 |
| 4.3 实验方案和结果 | 第43-48页 |
| 4.3.1 实验设置 | 第43页 |
| 4.3.2 比较系统 | 第43页 |
| 4.3.3 实验方案一与结果分析 | 第43-45页 |
| 4.3.4 实验方案二与结果分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 基于对偶系统的半监督情感分类算法改进与系统实现 | 第49-63页 |
| 5.1 基于样本长度的改善方案 | 第49-55页 |
| 5.1.1 问题描述 | 第49-51页 |
| 5.1.2 优化方案 | 第51-52页 |
| 5.1.3 实验设置与结果分析 | 第52-55页 |
| 5.2 基于置信度选取的改善方案 | 第55-58页 |
| 5.2.1 问题描述 | 第55页 |
| 5.2.2 优化方案 | 第55-56页 |
| 5.2.3 实验设置与结果分析 | 第56-58页 |
| 5.3 基于对偶系统的半监督情感分类系统实现 | 第58-62页 |
| 5.3.1 PyQt简介 | 第58-59页 |
| 5.3.2 系统实现框架图 | 第59-60页 |
| 5.3.3 系统效果 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
