| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 前言 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 社交媒体文本分类与识别问题 | 第10页 |
| 1.2.2 电商网站评论分类问题 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第2章 网络短文本挖掘相关研究 | 第13-24页 |
| 2.1 引言 | 第13页 |
| 2.2 社交媒体介绍及其文本挖掘相关任务 | 第13-18页 |
| 2.2.1 社交媒体介绍及其内容特性 | 第13-14页 |
| 2.2.2 问答类社交媒体中高质量内容识别 | 第14-16页 |
| 2.2.3 微博内容识别 | 第16-18页 |
| 2.3 商品评论识别相关工作介绍 | 第18-23页 |
| 2.3.1 利用评论文本和其对应的评论者、被评论商品等相关信息进行分类 | 第19-21页 |
| 2.3.2 利用心理语言学特征帮助分类 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 中文微博评论数据抓取及统计分析 | 第24-31页 |
| 3.1 新浪微博评论数据抓取 | 第24页 |
| 3.2 实验数据总体介绍 | 第24-26页 |
| 3.3 评论价值性定义 | 第26-27页 |
| 3.3.1 垃圾评论的定义 | 第26-27页 |
| 3.3.2 有价值评论的定义 | 第27页 |
| 3.4 实验数据中评论价值性的分布情况 | 第27-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 基于无指导学习的微博评论自动分析方法 | 第31-50页 |
| 4.1 任务描述及难点 | 第31-32页 |
| 4.2 无监督微博垃圾评论和有价值评论识别算法 | 第32-41页 |
| 4.2.1 微博文本的扩展 | 第33-35页 |
| 4.2.2 特征向量的构造 | 第35-37页 |
| 4.2.3 训练用例的自动选取 | 第37-40页 |
| 4.2.4 垃圾评论识别与评论价值评估 | 第40-41页 |
| 4.3 实验与分析 | 第41-49页 |
| 4.3.1 实验数据 | 第41-42页 |
| 4.3.2 评价指标 | 第42-44页 |
| 4.3.3 实验结果及分析 | 第44-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 微博评论过滤系统设计与实现 | 第50-56页 |
| 5.1 引言 | 第50-51页 |
| 5.2 基于《知网》的相似度计算软件与API的Python版本实现 | 第51-52页 |
| 5.2.1 相似度计算软件的设计与实现 | 第51页 |
| 5.2.2 Python版本《知网》API的实现 | 第51-52页 |
| 5.3 微博评论过滤系统(MCFS,Microblog Comment Filter System) | 第52-55页 |
| 5.3.1 微博及其评论数据获取部分 | 第53页 |
| 5.3.2 微博评论分析部分 | 第53-54页 |
| 5.3.3 微博有效评论展示部分 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结和展望 | 第56-58页 |
| 6.1 论文工作总结 | 第56页 |
| 6.2 进一步的工作 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63-64页 |
| 致谢 | 第64-65页 |
