基于句法分析和主题建模的细粒度观点挖掘模型研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 细粒度观点挖掘研究现状 | 第12-16页 |
| 1.2.1 基于人工定义的方法 | 第12页 |
| 1.2.2 基于频率的方法 | 第12-13页 |
| 1.2.3 基于主题模型的方法 | 第13-15页 |
| 1.2.4 基于语言知识的方法 | 第15-16页 |
| 1.3 问题定义和本文工作 | 第16-18页 |
| 1.3.1 问题定义 | 第16-17页 |
| 1.3.2 本文工作 | 第17-18页 |
| 1.4 论文章节安排 | 第18-20页 |
| 第2章 细粒度观点挖掘框架 | 第20-24页 |
| 2.1 领域特征词提取 | 第21页 |
| 2.2 观点词提取 | 第21-22页 |
| 2.3 用户情感倾向判定 | 第22页 |
| 2.4 观点可视化 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于依存分析的评价表达模式提取与分析 | 第24-37页 |
| 3.1 句法分析简介 | 第24-26页 |
| 3.1.1 句法分析的基本方法 | 第24-25页 |
| 3.1.2 依存句法分析技术 | 第25-26页 |
| 3.2 评价表达模式 | 第26-30页 |
| 3.2.1 最短依存路径的定义 | 第26-28页 |
| 3.2.2 无监督抽取最短依存路径 | 第28-29页 |
| 3.2.3 评价表达模式的抽取 | 第29-30页 |
| 3.3 评价表达模式分析 | 第30-36页 |
| 3.3.1 AEP的有效性分析 | 第30-32页 |
| 3.3.2 AEP的一致性分析 | 第32-34页 |
| 3.3.3 AEP的相似性分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于评价表达模式和主题建模的词对挖掘算法 | 第37-47页 |
| 4.1 主题模型简介 | 第37-42页 |
| 4.1.1 主题模型的发展 | 第37-38页 |
| 4.1.2 LDA模型 | 第38-41页 |
| 4.1.3 LDA模型参数推断 | 第41-42页 |
| 4.2 DLDA模型 | 第42-45页 |
| 4.3 DLDA模型参数推断 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于最大熵模型和主题建模的词对挖掘算法 | 第47-58页 |
| 5.1 最大熵模型 | 第47-51页 |
| 5.1.1 最大熵模型在NLP中的应用 | 第47-48页 |
| 5.1.2 条件最大熵模型 | 第48-50页 |
| 5.1.3 训练算法和参数估计 | 第50-51页 |
| 5.2 MLDA模型 | 第51-55页 |
| 5.2.1 DLDA模型不足 | 第51页 |
| 5.2.2 MLDA模型 | 第51-54页 |
| 5.2.3 最大熵模型训练 | 第54-55页 |
| 5.3 MLDA模型参数推断 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 实验结果与分析 | 第58-77页 |
| 6.1 评论数据预处理 | 第58-59页 |
| 6.2 DLDA模型词对挖掘实验 | 第59-70页 |
| 6.2.1 定性分析 | 第59-60页 |
| 6.2.2 领域特征词提取 | 第60-64页 |
| 6.2.3 观点词提取 | 第64-67页 |
| 6.2.4 领域适用性分析 | 第67-70页 |
| 6.3 MLDA模型词对挖掘实验 | 第70-76页 |
| 6.3.1 定性分析 | 第70-71页 |
| 6.3.2 领域特征词提取 | 第71-73页 |
| 6.3.3 观点词提取 | 第73-75页 |
| 6.3.4 领域适用性分析 | 第75-76页 |
| 6.4 本章小结 | 第76-77页 |
| 第7章 总结与展望 | 第77-79页 |
| 7.1 全文总结 | 第77-78页 |
| 7.2 未来工作展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 攻读硕士学位期间主要的研究成果 | 第85-86页 |
| 致谢 | 第86页 |
