基于渐进直推式支持向量机的Twitter文本情感分析研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 符号注释表 | 第14-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 引言 | 第15页 |
| 1.2 研究背景与意义 | 第15-16页 |
| 1.3 应用领域 | 第16-17页 |
| 1.3.1 事件发现 | 第16页 |
| 1.3.2 趋势预测 | 第16-17页 |
| 1.3.3 产品推荐 | 第17页 |
| 1.4 国内外研究现状 | 第17-19页 |
| 1.5 本文研究内容及组织结构 | 第19-21页 |
| 1.5.1 本文研究内容 | 第19页 |
| 1.5.2 论文组织结构 | 第19-21页 |
| 第二章 文本情感分析相关理论及研究现状 | 第21-34页 |
| 2.1 情感计算 | 第21-22页 |
| 2.2 文本分类 | 第22-26页 |
| 2.2.1 文本分类的系统架构 | 第23页 |
| 2.2.2 文本分类的特点 | 第23-24页 |
| 2.2.3 文本表示模型 | 第24-26页 |
| 2.3 机器学习与分类算法 | 第26-32页 |
| 2.3.1 监督学习 | 第26-27页 |
| 2.3.2 无监督学习 | 第27页 |
| 2.3.3 半监督学习 | 第27-28页 |
| 2.3.4 强化学习 | 第28页 |
| 2.3.5 经典分类算法 | 第28-32页 |
| 2.4 文本情感分析 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 Twitter情感识别特征分析 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 文本预处理 | 第34-35页 |
| 3.2.1 去噪 | 第34-35页 |
| 3.2.2 预处理 | 第35页 |
| 3.3 特征选择 | 第35-41页 |
| 3.3.1 特征 | 第35-37页 |
| 3.3.2 特征选择 | 第37-39页 |
| 3.3.3 特征权重 | 第39-41页 |
| 3.4 实验与结果分析 | 第41-47页 |
| 3.4.1 语料库与分类工具 | 第41-42页 |
| 3.4.2 实验结果与分析 | 第42-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于PTSVM的Twitter情感分析 | 第48-56页 |
| 4.1 引言与分析 | 第48-49页 |
| 4.2 支持向量机原理 | 第49-50页 |
| 4.3 新颖的PTSVM算法 | 第50-52页 |
| 4.4 实验结果与分析 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 工作总结与展望 | 第56-58页 |
| 5.1 论文工作总结 | 第56页 |
| 5.2 未来展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第63-64页 |
