微博情绪分类的关键技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-26页 |
| 1.1 课题来源 | 第10-11页 |
| 1.2 研究目的和意义 | 第11-13页 |
| 1.3 国内外相关研究 | 第13-23页 |
| 1.3.1 情感分类概念简介 | 第13-14页 |
| 1.3.2 传统的情感分类方法 | 第14-17页 |
| 1.3.3 新兴的情感分类方法 | 第17-21页 |
| 1.3.4 面向微博的话题抽取 | 第21-23页 |
| 1.4 本文研究内容 | 第23-26页 |
| 1.4.1 传统的情感分类方法研究 | 第24页 |
| 1.4.2 新兴的情感分类技术的融合 | 第24页 |
| 1.4.3 微博事件情感分布的原因分析 | 第24-25页 |
| 1.4.4 微博情绪指数系统展示 | 第25-26页 |
| 第2章 传统的情感分类方法研究 | 第26-36页 |
| 2.1 引言 | 第26页 |
| 2.2 无监督的基于词典规则的情绪分类 | 第26-28页 |
| 2.2.1 词典资源收集 | 第26-28页 |
| 2.2.2 算法流程设计 | 第28页 |
| 2.3 有监督的基于特征抽取的情绪分类 | 第28-30页 |
| 2.3.1 特征模板设计 | 第29页 |
| 2.3.2 特征工程建设 | 第29-30页 |
| 2.4 启发式情绪判断规则的自动构建 | 第30-32页 |
| 2.4.1 算法设计 | 第31-32页 |
| 2.4.2 构建结果举例 | 第32页 |
| 2.5 实验语料 | 第32-33页 |
| 2.6 评价指标 | 第33-34页 |
| 2.7 实验结果 | 第34页 |
| 2.8 本章小结 | 第34-36页 |
| 第3章 新兴的情感分类技术的融合 | 第36-49页 |
| 3.1 引言 | 第36-37页 |
| 3.2 与主题模型之间的融合 | 第37-39页 |
| 3.2.1 算法设计 | 第37-38页 |
| 3.2.2 实验结果及分析 | 第38-39页 |
| 3.3 与主动学习方法之间的融合 | 第39-40页 |
| 3.3.1 算法设计 | 第39-40页 |
| 3.4 与词汇向量化表示之间的融合 | 第40-44页 |
| 3.4.1 算法介绍 | 第41-42页 |
| 3.4.2 词向量训练 | 第42-43页 |
| 3.4.3 实验结果 | 第43-44页 |
| 3.5 与神经网络模型之间的融合 | 第44-47页 |
| 3.5.1 算法介绍 | 第44-46页 |
| 3.5.2 模型调优 | 第46页 |
| 3.5.3 实验设置 | 第46-47页 |
| 3.5.4 实验结果 | 第47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 微博事件情感分布的原因分析 | 第49-59页 |
| 4.1 引言 | 第49-50页 |
| 4.2 算法设计 | 第50页 |
| 4.3 微博关键话题挖掘算法 | 第50-54页 |
| 4.3.1 问题分析 | 第50-51页 |
| 4.3.2 事件话题的聚类算法设计 | 第51-52页 |
| 4.3.3 事件话题热度排序算法设计 | 第52页 |
| 4.3.4 实验数据 | 第52-53页 |
| 4.3.5 评价方法 | 第53页 |
| 4.3.6 实验结果与分析 | 第53-54页 |
| 4.4 微博话题纠正算法 | 第54-57页 |
| 4.4.1 问题分析 | 第54页 |
| 4.4.2 算法设计 | 第54-56页 |
| 4.4.3 评价方法 | 第56页 |
| 4.4.4 实验结果与分析 | 第56-57页 |
| 4.5 情感分布的原因分析 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 微博情绪指数系统 | 第59-64页 |
| 5.1 系统整体架构与功能介绍 | 第59-61页 |
| 5.2 微博情绪分类模块设计 | 第61-62页 |
| 5.3 微博热点事件话题分析模块设计 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 攻读学位期间发表的学术论文 | 第73-75页 |
| 致谢 | 第75-76页 |
