摘要 | 第9-10页 |
ABSTRACT | 第10页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景 | 第11-13页 |
1.1.1 情感分析的产生 | 第11-12页 |
1.1.2 情感分析的应用需求 | 第12-13页 |
1.2 研究现状 | 第13-17页 |
1.2.1 文本情感分析研究 | 第13-14页 |
1.2.2 微博情感倾向研究 | 第14-16页 |
1.2.3 中文微博情感分析的难点 | 第16-17页 |
1.3 课题研究目标和内容 | 第17-19页 |
1.3.1 研究目标及意义 | 第17页 |
1.3.2 本文研究工作 | 第17-19页 |
第二章 情感分析相关技术 | 第19-29页 |
2.1 相关术语 | 第19页 |
2.2 特征提取 | 第19-20页 |
2.3 情感分析相关研究分类 | 第20-23页 |
2.3.1 情感分析的基本任务 | 第20-21页 |
2.3.2 主客观情感分析 | 第21页 |
2.3.3 词语级情感分析 | 第21-22页 |
2.3.4 文档级情感分析 | 第22-23页 |
2.3.5 属性级情感分析 | 第23页 |
2.3.6 微博情感分析 | 第23页 |
2.4 情感分类方法 | 第23-27页 |
2.4.1 K-近邻方法 | 第24页 |
2.4.2 条件随机场模型 | 第24-25页 |
2.4.3 最大熵模型 | 第25页 |
2.4.4 支持向量机模型 | 第25-26页 |
2.4.5 基于多分类器的方法 | 第26-27页 |
2.5 评价标准 | 第27-28页 |
2.6 本章小结 | 第28-29页 |
第三章 中文情感词典构建 | 第29-45页 |
3.1 面向中文的微博情感词典构成 | 第29-30页 |
3.2 中文微博基础情感词典的构建 | 第30-35页 |
3.2.1 褒贬词典 | 第31页 |
3.2.2 表情符号情感词典 | 第31-32页 |
3.2.3 程度副词词典 | 第32-33页 |
3.2.4 否定词词典 | 第33-35页 |
3.3 中文微博网络用语词典的构建 | 第35-44页 |
3.3.1 微博网络用语词典构建框架 | 第35-36页 |
3.3.2 微博预处理 | 第36-37页 |
3.3.3 基于自启状态机的情感词典构建算法CHI-Order | 第37-40页 |
3.3.4 基于网络词语与种子词集关联度过滤的情感词典构建算法CO-PMI | 第40-44页 |
3.4 本章小结 | 第44-45页 |
第四章 中文微博情感倾向识别技术研究 | 第45-55页 |
4.1 情感词典在微博情感分析中的作用 | 第45-47页 |
4.1.1 中文微博的特点 | 第45页 |
4.1.2 情感词典对微博情感分析的影响 | 第45-47页 |
4.2 基于情感词典的中文微博倾向分析模型 | 第47-48页 |
4.3 基于统计的微博情感分析 | 第48-51页 |
4.3.1 中文微博情感特征的提取 | 第48-50页 |
4.3.2 贝叶斯模型情感分类 | 第50-51页 |
4.4 基于句型结构的微博倾向识别 | 第51-54页 |
4.4.1 情感倾向识别流程 | 第51-52页 |
4.4.2 句型分析规则 | 第52页 |
4.4.3 细粒度词语多元组分析规则 | 第52-53页 |
4.4.4 微博情感倾向权值的综合计算 | 第53-54页 |
4.5 本章小结 | 第54-55页 |
第五章 微博情感分析实验 | 第55-60页 |
5.1 基于情感词典的情感分析实验 | 第55页 |
5.1.1 实验原理 | 第55页 |
5.1.2 实验平台 | 第55页 |
5.2 实验设计 | 第55-57页 |
5.2.1 实验数据采集 | 第55-56页 |
5.2.2 实验流程 | 第56页 |
5.2.3 实验评估标准 | 第56-57页 |
5.3 实验结果及分析 | 第57-59页 |
5.3.1 卡方特征数量对微博情感词典构建的影响 | 第57页 |
5.3.2 情感词典对微博情感分析的影响 | 第57-58页 |
5.3.3 情感倾向识别方法对微博情感分析的影响 | 第58-59页 |
5.4 本章小结 | 第59-60页 |
结束语 | 第60-62页 |
致谢 | 第62-63页 |
参考文献 | 第63-67页 |
作者在学期间取得的学术成果 | 第67页 |