中文微博情感词典的构建研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究概况 | 第10-11页 |
| 1.2.2 国内研究概况 | 第11-12页 |
| 1.3 本文主要研究工作 | 第12-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 情感分析相关理论和技术 | 第15-27页 |
| 2.1 文本分类流程及预处理 | 第15-17页 |
| 2.1.1 文本分类流程 | 第15-16页 |
| 2.1.2 中文文本的预处理 | 第16页 |
| 2.1.3 中文文本的分词 | 第16-17页 |
| 2.2 特征选择技术 | 第17-19页 |
| 2.3 点互信息SO-PMI算法 | 第19-20页 |
| 2.4 主题模型 | 第20-25页 |
| 2.4.1 主题模型介绍与作用 | 第20-21页 |
| 2.4.2 LDA介绍 | 第21-25页 |
| 2.5 情感极性分类技术 | 第25页 |
| 2.5.1 基于知识库方法 | 第25页 |
| 2.5.2 基于机器学习方法 | 第25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 情感词典的介绍与扩展 | 第27-39页 |
| 3.1 现有可用中文情感词典 | 第27-30页 |
| 3.1.1 知网(How Net) | 第28页 |
| 3.1.2 NTUSD情感词典 | 第28页 |
| 3.1.3 否定词词典 | 第28-29页 |
| 3.1.4 程度词词典 | 第29-30页 |
| 3.1.5 连词词典 | 第30页 |
| 3.2 微博领域情感词典的介绍及其构建 | 第30-34页 |
| 3.2.1 微博领域情感词典 | 第30-31页 |
| 3.2.2 SO-PMI算法 | 第31页 |
| 3.2.3 SO-PMI算法的缺陷及改进 | 第31-34页 |
| 3.3 微博领域情感词典的构建 | 第34-37页 |
| 3.3.1 词语相似度计算 | 第34页 |
| 3.3.2 基准种子情感词汇的生成 | 第34-35页 |
| 3.3.3 微博领域情感词典的构建 | 第35-37页 |
| 3.4 实验结果与实验分析 | 第37-38页 |
| 3.4.1 实验数据的选择与准备工作 | 第37页 |
| 3.4.2 性能评估指标 | 第37页 |
| 3.4.3 实验结果分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 主题-情感混合模型 | 第39-49页 |
| 4.0 主题模型的作用 | 第39-40页 |
| 4.1 词对的介绍 | 第40页 |
| 4.2 BTM主题模型 | 第40-43页 |
| 4.2.1 BTM主题模型表示 | 第40-42页 |
| 4.2.2 主题-情感模型现状 | 第42-43页 |
| 4.3 改进后的主题-情感混合模型 | 第43-46页 |
| 4.3.1 主题-情感词的作用 | 第43-44页 |
| 4.3.2 主题-情感混合模型的生成过程 | 第44-46页 |
| 4.4 模型参数推断 | 第46页 |
| 4.5 实验结果与分析 | 第46-48页 |
| 4.5.1 实验数据集 | 第46-47页 |
| 4.5.2 实验环境 | 第47页 |
| 4.5.3 主题-情感词的提取 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 基于情感词典的微博倾向性分析计算 | 第49-56页 |
| 5.1 基于词典的情感分析的一般步骤 | 第49-50页 |
| 5.1.1 情感词汇的特征提取 | 第49页 |
| 5.1.2 组合情感词汇的情感值计算方法 | 第49-50页 |
| 5.2 实验测评 | 第50-55页 |
| 5.2.1 实验数据 | 第50页 |
| 5.2.2 实验指标评估 | 第50页 |
| 5.2.3 实验核心代码与实验结果 | 第50-52页 |
| 5.2.4 实验结果分析 | 第52-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
