| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 选题意义 | 第9-10页 |
| 1.3 本文主要工作 | 第10页 |
| 1.4 本文结构 | 第10-11页 |
| 第2章 文本倾向性分析概述 | 第11-22页 |
| 2.1 引言 | 第11页 |
| 2.2 文本倾向性分析 | 第11-15页 |
| 2.2.1 词汇级的文本倾向性分析 | 第11-14页 |
| 2.2.2 句子和篇章级的文本倾向性分析 | 第14-15页 |
| 2.3 文本倾向性分析常用技术 | 第15-21页 |
| 2.3.1 分词 | 第15-17页 |
| 2.3.2 词性标注 | 第17-18页 |
| 2.3.3 VSM向量空间模型 | 第18-20页 |
| 2.3.4 文本处理的一般流程 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于神经网络的网络舆情文本倾向性分析 | 第22-45页 |
| 3.1 引言 | 第22页 |
| 3.2 神经网络 | 第22-28页 |
| 3.2.1 神经网络的发展概述 | 第22-24页 |
| 3.2.2 神经元模型 | 第24-25页 |
| 3.2.3 BP神经网络训练模型 | 第25-28页 |
| 3.3 基于神经网络的文本倾向性分析算法的训练模型 | 第28-29页 |
| 3.4 文本的VSM权重类型选择 | 第29-30页 |
| 3.5 神经网络的各个参数确定 | 第30-40页 |
| 3.5.1 激活函数 | 第31-32页 |
| 3.5.2 阈值 | 第32-33页 |
| 3.5.3 倾向词的初始权重的选取 | 第33-36页 |
| 3.5.4 期望输出确定 | 第36-38页 |
| 3.5.5 误差函数及反馈 | 第38-40页 |
| 3.6 训练算法流程 | 第40-41页 |
| 3.7 文本倾向性判定方法 | 第41页 |
| 3.8 算法复杂度分析 | 第41-42页 |
| 3.9 基于神经网络的文本倾向性分析方法框架 | 第42-43页 |
| 3.10 实验结果及分析 | 第43-44页 |
| 3.11 本章小结 | 第44-45页 |
| 第4章 基于神经网络的情感词汇自动获取方法 | 第45-52页 |
| 4.1 引言 | 第45页 |
| 4.2 基于神经网络的情感词汇自动获取方法 | 第45-49页 |
| 4.2.1 获取候选词表 | 第45-48页 |
| 4.2.2 神经网络训练 | 第48页 |
| 4.2.3 训练后的情感词词典的缔选 | 第48-49页 |
| 4.3 情感词词典的删减 | 第49页 |
| 4.4 基于神经网络的情感词汇自动获取方法框架 | 第49-50页 |
| 4.5 实验结果及分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 基于神经网络的文本倾向性分析总体系统 | 第52-55页 |
| 5.1 基于神经网络的文本倾向性分析总系统 | 第52-53页 |
| 5.2 系统设计实现 | 第53-55页 |
| 第6章 总结与展望 | 第55-58页 |
| 6.1 总结 | 第55页 |
| 6.2 基于神经网络的文本倾向性分析系统的应用前景 | 第55-56页 |
| 6.3 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63-64页 |