| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景和研究意义 | 第11-13页 |
| 1.2 国内外相关技术和研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文结构与安排 | 第16-18页 |
| 第2章 网络舆情倾向性相关技术及基本理论 | 第18-27页 |
| 2.1 网络舆情倾向性分析思路 | 第18-19页 |
| 2.2 文本预处理技术 | 第19-21页 |
| 2.2.1 文本的分词处理 | 第19-20页 |
| 2.2.2 词向量降噪处理 | 第20页 |
| 2.2.3 常用中文情感词典 | 第20-21页 |
| 2.3 特征词权重及选取技术 | 第21-23页 |
| 2.3.1 IDF-TF | 第21-22页 |
| 2.3.2 信息增益(Information Gain) | 第22页 |
| 2.3.3 互信息(Mutual Information) | 第22页 |
| 2.3.4 期望交叉熵 | 第22-23页 |
| 2.4 文本分类技术 | 第23-26页 |
| 2.4.1 纯贝叶斯方法 | 第23-24页 |
| 2.4.2 Rocchio算法 | 第24-25页 |
| 2.4.3 支持向量机算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 常用情感词词典的构造 | 第27-32页 |
| 3.1 Hownet情感词典 | 第27-29页 |
| 3.2 互联网情感词的筛选及添加 | 第29页 |
| 3.3 情感词汇极性标注 | 第29-30页 |
| 3.4 词汇相似度计算 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 网络舆情文本特征权重与选取研究 | 第32-43页 |
| 4.1 文本的预处理 | 第32-34页 |
| 4.2 情感特征词的选取 | 第34页 |
| 4.3 面向舆情情感的TF-IDF权重算法 | 第34-39页 |
| 4.3.1 位置加权系数 | 第35-36页 |
| 4.3.2 情感权重系数 | 第36-37页 |
| 4.3.3 权重计算均衡性的改进 | 第37-39页 |
| 4.4 实验结果及分析 | 第39-42页 |
| 4.4.1 数据集 | 第39页 |
| 4.4.2 评价指标 | 第39页 |
| 4.4.3 实验结果与分析 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 基于HMM的语义倾向性分析 | 第43-52页 |
| 5.1 隐马尔科夫模型的基本理论 | 第43-44页 |
| 5.2 文本的隐马尔可夫建模 | 第44-45页 |
| 5.3 训练及识别HMM模型 | 第45-47页 |
| 5.4 舆情的倾向性分析 | 第47-48页 |
| 5.5 实验结果与分析 | 第48-51页 |
| 5.5.1 数据集 | 第48-49页 |
| 5.5.2 评价指标 | 第49页 |
| 5.5.3 实验结果与分析 | 第49-51页 |
| 5.6 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 作者简介 | 第59页 |
| 攻读硕士学位期间发表的论文和参加科研情况 | 第59-60页 |