基于K关联图的流分类算法及其在微博情感分析中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究 | 第11-15页 |
| 1.2.1 数据流挖掘的研究现状及面临的挑战 | 第11-13页 |
| 1.2.2 微博情感分析研究现状及面临的挑战 | 第13-15页 |
| 1.3 论文的主要研究工作内容 | 第15-16页 |
| 1.4 论文的组织 | 第16-17页 |
| 2 数据流分类方法与微博情感分析概述 | 第17-31页 |
| 2.1 数据流分类方法 | 第17-24页 |
| 2.1.1 单分类器学习 | 第17-18页 |
| 2.1.2 集成分类器学习 | 第18-24页 |
| 2.1.3 存在的问题 | 第24页 |
| 2.2 文本分类与微博情感分析概述 | 第24-27页 |
| 2.2.1 文本分类与情感分析 | 第24-25页 |
| 2.2.2 文本表示和特征抽取 | 第25页 |
| 2.2.3 文本分类常用算法 | 第25-27页 |
| 2.2.4 存在的问题 | 第27页 |
| 2.3 其他理论知识 | 第27-30页 |
| 2.3.1 概念漂移的概述和处理方法 | 第27-29页 |
| 2.3.2 自然语言处理关键技术 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于 K 关联图的数据流分类算法 | 第31-47页 |
| 3.1 算法框架及相关定义 | 第31-33页 |
| 3.1.1 算法示意图 | 第31-32页 |
| 3.1.2 相关概念定义 | 第32-33页 |
| 3.2 基于 K 关联图的基础分类器 | 第33-37页 |
| 3.2.1 基于半监督的 K 关联图 | 第33-36页 |
| 3.2.2 基于 K 关联图优化分类器 | 第36-37页 |
| 3.3 分类器的集成 | 第37-42页 |
| 3.4 实验及结果分析 | 第42-46页 |
| 3.4.1 实验设计及数据集 | 第42页 |
| 3.4.2 实验结果分析 | 第42-46页 |
| 3.5 本章小结 | 第46-47页 |
| 4 KGBC 算法在微博情感分析中的应用 | 第47-63页 |
| 4.1 基于依存关系的微博情感词发现 | 第47-52页 |
| 4.1.1 模版的抽取 | 第47-48页 |
| 4.1.2 情感词发现 | 第48-51页 |
| 4.1.3 情感词极性的判断 | 第51-52页 |
| 4.2 微博文本的预处理 | 第52-53页 |
| 4.3 微博情感分类算法 | 第53-56页 |
| 4.3.1 基于 KGBC 的方法 | 第53-54页 |
| 4.3.2 基于规则的方法 | 第54-56页 |
| 4.4 实验及结果分析 | 第56-62页 |
| 4.4.1 数据集描述与评测指标 | 第57-58页 |
| 4.4.2 微博情感词抽取结果 | 第58-60页 |
| 4.4.3 情感分类结果 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 个人简历、在校期间发表的学术论文及研究成果 | 第69-70页 |
| 个人简历 | 第69页 |
| 在校期间发表的学术论文 | 第69页 |
| 研究成果 | 第69-70页 |
| 致谢 | 第70页 |
