| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 文本情感分类 | 第12-13页 |
| 1.2.2 微博情感分类 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 情感分类相关技术 | 第17-27页 |
| 2.1 文本分类的流程 | 第17-18页 |
| 2.2 文本表示模型 | 第18-19页 |
| 2.2.1 布尔模型 | 第18页 |
| 2.2.2 向量空间模型 | 第18-19页 |
| 2.3 特征选择方法 | 第19-22页 |
| 2.3.1 文档频率 | 第19页 |
| 2.3.2 互信息 | 第19-20页 |
| 2.3.3 信息增益 | 第20-21页 |
| 2.3.4 CHI方法 | 第21-22页 |
| 2.4 权值计算方法TF-IDF | 第22-23页 |
| 2.5 分类方法机器学习 | 第23-27页 |
| 2.5.1 K最近邻分类算法 | 第23页 |
| 2.5.2 支持向量机SVM | 第23-25页 |
| 2.5.3 朴素贝叶斯分类算法 | 第25-27页 |
| 第3章 微博情感特征自动抽取 | 第27-47页 |
| 3.1 抽象特征抽取与深度学习 | 第28-30页 |
| 3.1.1 抽象特征自动抽取 | 第28页 |
| 3.1.2 深度网络与深度学习 | 第28-30页 |
| 3.2 预处理 | 第30-34页 |
| 3.2.1 噪音处理 | 第30-31页 |
| 3.2.2 中文分词 | 第31-34页 |
| 3.3 特征选择 | 第34-42页 |
| 3.3.1 传统信息增益方法特征选择算法不足 | 第34-35页 |
| 3.3.2 基于改进的信息增益特征选择算法 | 第35-42页 |
| 3.4 权值计算 | 第42-43页 |
| 3.4.1 传统TF-IDF权重计算方法不足 | 第42-43页 |
| 3.4.2 基于特征词位置及TF-IDF权重计算方法 | 第43页 |
| 3.5 基于SAE深度学习的微博情感特征自动抽取 | 第43-46页 |
| 3.5.1 自动编码器 | 第44-45页 |
| 3.5.2 基于稀疏编码器SAE的情感特征自动抽取 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 微博情感分类 | 第47-59页 |
| 4.1 基于DNN的抽象特征表示存在的问题 | 第47页 |
| 4.2 基于概念模型的特征扩展 | 第47-57页 |
| 4.2.1 基于空间情感密度及互斥的概念模型选取 | 第47-55页 |
| 4.2.2 基于概念模型的空间拓展算法 | 第55-57页 |
| 4.3 基于ELM情感分类 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 实验 | 第59-71页 |
| 5.1 实验环境和数据集 | 第59页 |
| 5.1.1 实验环境 | 第59页 |
| 5.1.2 实验数据集 | 第59页 |
| 5.2 实验评价标准 | 第59-60页 |
| 5.3 微博情感特征自动抽取实验 | 第60-66页 |
| 5.3.1 实验思路 | 第60-61页 |
| 5.3.2 实验设计及结果分析 | 第61-66页 |
| 5.4 微博情感分析实验 | 第66-70页 |
| 5.4.1 实验思路 | 第66页 |
| 5.4.2 实验设计与结果分析 | 第66-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 攻读硕士期间发表的论文及参与的项目 | 第79页 |