面向热点话题型微博的情感分析研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 情感分析国内外研究现状 | 第10-14页 |
| 1.2.1 情感分析相关定义 | 第10-11页 |
| 1.2.2 情感分析的国内外研究现状 | 第11-13页 |
| 1.2.3 相关评测 | 第13-14页 |
| 1.3 微博情感分析与国内外研究现状 | 第14-15页 |
| 1.3.1 微博情感分析的任务 | 第14页 |
| 1.3.2 微博情感分析的国内外研究现状 | 第14-15页 |
| 1.4 本文的主要内容及章节安排 | 第15-17页 |
| 第2章 有监督的微博主客观分析与极性判别 | 第17-34页 |
| 2.1 引言 | 第17页 |
| 2.2 相关任务的定义 | 第17-18页 |
| 2.2.1 微博主客观的定义 | 第17页 |
| 2.2.2 微博极性判别的定义 | 第17-18页 |
| 2.3 微博语料的相关工作 | 第18-21页 |
| 2.3.1 微博语料的简介 | 第18-19页 |
| 2.3.2 微博语料的标注 | 第19-20页 |
| 2.3.3 微博语料的特点 | 第20-21页 |
| 2.4 其他相关资源的介绍与准备 | 第21页 |
| 2.5 分类器的基本原理 | 第21-29页 |
| 2.5.1 分类器的基本原理 | 第22-25页 |
| 2.5.2 分类器的选取 | 第25-29页 |
| 2.6 有监督的主客观识别及特征选取 | 第29-32页 |
| 2.6.1 文本特征对分类的影响 | 第29-30页 |
| 2.6.2 文本特征的实验结果 | 第30-31页 |
| 2.6.3 表情符特征对分类的影响 | 第31页 |
| 2.6.4 引入表情符特征的实验结果 | 第31-32页 |
| 2.7 有监督的极性判别及特征选取 | 第32-33页 |
| 2.8 本章小结 | 第33-34页 |
| 第3章 半监督的微博主客观分析与极性判别 | 第34-43页 |
| 3.1 引言 | 第34页 |
| 3.2 半监督的简介 | 第34-35页 |
| 3.2.1 半监督的三种假设 | 第34页 |
| 3.2.2 半监督的主要方法 | 第34-35页 |
| 3.3 TSVM 基本原理 | 第35-37页 |
| 3.3.1 TSVM 相关介绍 | 第36-37页 |
| 3.3.2 本文使用的 TSVM | 第37页 |
| 3.4 基于 TSVM 的微博主客观分类 | 第37-40页 |
| 3.5 基于 TSVM 的微博极性判别 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 微博评价对象的抽取与合并 | 第43-55页 |
| 4.1 引言 | 第43-44页 |
| 4.2 话题型微博评价对象的抽取工作 | 第44-50页 |
| 4.2.1 微博评价对象抽取方法概述 | 第44页 |
| 4.2.2 本文采用的微博评价对象抽取方法 | 第44-49页 |
| 4.2.3 改进的抽取算法 | 第49-50页 |
| 4.3 基于聚类的评价对象合并 | 第50-53页 |
| 4.3.1 相似度的度量 | 第51页 |
| 4.3.2 聚类方法的采用 | 第51-52页 |
| 4.3.3 评价对象的归并算法 | 第52页 |
| 4.3.4 实验与分析 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第5章 热点话题微博情感分析系统设计与实现 | 第55-63页 |
| 5.1 引言 | 第55-56页 |
| 5.2 微博数据获取子系统 | 第56页 |
| 5.3 热点话题微博情感分析子系统 | 第56-58页 |
| 5.3.1 微博信息预处理模块 | 第56-57页 |
| 5.3.2 特征提取模块 | 第57-58页 |
| 5.3.3 微博主客观分类模块 | 第58页 |
| 5.3.4 微博极性判别模块 | 第58页 |
| 5.3.5 微博评价对象抽取模块 | 第58页 |
| 5.3.6 微博评价对象聚类模块 | 第58页 |
| 5.4 结果数据存储子系统 | 第58-59页 |
| 5.5 结果可视化子系统 | 第59页 |
| 5.5.1 微博舆情统计模块 | 第59页 |
| 5.5.2 微博信息查询模块 | 第59页 |
| 5.6 系统展示 | 第59-62页 |
| 5.7 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
