基于主动学习的微博情感分析方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究意义及目的 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 文本情感分析 | 第11-13页 |
| 1.3.2 主动学习方法 | 第13页 |
| 1.4 本文工作 | 第13-14页 |
| 1.5 本文框架 | 第14-16页 |
| 第2章 理论综述 | 第16-28页 |
| 2.1 情感分析概述 | 第16页 |
| 2.2 基于机器学习的方法 | 第16-18页 |
| 2.3 支持向量机 | 第18-24页 |
| 2.3.1 线性可分SVM | 第18-21页 |
| 2.3.2 软间隔线性SVM | 第21-22页 |
| 2.3.3 非线性SVM | 第22-24页 |
| 2.4 主动学习方法 | 第24-27页 |
| 2.4.1 基于委员会投票的方法 | 第25-26页 |
| 2.4.2 基于不确定性的方法 | 第26页 |
| 2.4.3 基于边缘的方法 | 第26-27页 |
| 2.5 边缘采样方法的局限 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 新的主动学习方法(ALIVS) | 第28-36页 |
| 3.1 基本思想 | 第28页 |
| 3.2 核心策略 | 第28-31页 |
| 3.2.1 信息向量选择 | 第28-30页 |
| 3.2.2 信息集过滤 | 第30-31页 |
| 3.3 ALIVS基本框架 | 第31-32页 |
| 3.4 方法对比与分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 实验设计与分析 | 第36-48页 |
| 4.1 实验背景概述 | 第36-37页 |
| 4.2 微博文本预处理 | 第37-39页 |
| 4.2.1 数据清洗 | 第37页 |
| 4.2.2 分词 | 第37-38页 |
| 4.2.3 去停用词 | 第38-39页 |
| 4.3 文本特征向量化 | 第39-41页 |
| 4.3.1 特征选择 | 第39-40页 |
| 4.3.2 特征权重量化 | 第40-41页 |
| 4.4 分类器训练 | 第41-42页 |
| 4.5 实验结果分析 | 第42-47页 |
| 4.5.1 实验评价标准 | 第42-43页 |
| 4.5.2 实验结果分析 | 第43-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 全文总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 作者简介及在学期间所取得的科研成果 | 第53-54页 |
| 致谢 | 第54页 |
