| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 情感分析的研究背景及意义 | 第9-10页 |
| 1.2 主要研究内容 | 第10-11页 |
| 1.3 本文内容安排 | 第11-13页 |
| 第2章 相关工作综述 | 第13-23页 |
| 2.1 情感分析 | 第13-16页 |
| 2.1.1 情感分析的研究内容 | 第13-15页 |
| 2.1.2 不同层级的情感分析 | 第15页 |
| 2.1.3 情感分析的主要方法 | 第15-16页 |
| 2.2 中文文本的分词和词性标注 | 第16-19页 |
| 2.2.1 中文分词 | 第17-18页 |
| 2.2.2 词性标注 | 第18-19页 |
| 2.3 分类器 | 第19-22页 |
| 2.3.1 贝叶斯分类器 | 第19-21页 |
| 2.3.2 支持向量机的分类器 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 被评论对象特征的提取 | 第23-31页 |
| 3.1 产品特征提取 | 第23-24页 |
| 3.2 基于关联规则抽取评论语句中的隐式特征 | 第24-29页 |
| 3.2.1 基于关联规则方法的算法介绍 | 第25-27页 |
| 3.2.2 利用搭配提取方法挖掘关联规则 | 第27-29页 |
| 3.3 本章小结 | 第29-31页 |
| 第4章 产品评论情感分析的算法研究 | 第31-43页 |
| 4.1 中文情感树库的建立 | 第31-32页 |
| 4.2 使用Word2vec生成高质量的词向量 | 第32-36页 |
| 4.3 使用递归神经网络作为合成性模型 | 第36-41页 |
| 4.3.1 RNN（标准递归神经网络）计算短语向量 | 第37页 |
| 4.3.2 MV-RNN（矩阵-向量递归神经网络）计算短语向量 | 第37-38页 |
| 4.3.3 RNTN（递归神经张量网络）计算短语向量 | 第38-39页 |
| 4.3.4 RNTN与SVMperf的结合 | 第39-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 算法评估结果与分析 | 第43-51页 |
| 5.1 引言 | 第43页 |
| 5.2 实验数据集 | 第43页 |
| 5.3 度量标准 | 第43-44页 |
| 5.4 特征提取实验结果及分析 | 第44-47页 |
| 5.5 情感极性分类实验结果及分析 | 第47-49页 |
| 5.6 本章小结 | 第49-51页 |
| 第6章 情感分析系统设计与实现 | 第51-57页 |
| 6.1 系统设计目标 | 第51-52页 |
| 6.2 系统技术架构概述 | 第52-54页 |
| 6.2.1 整体描述 | 第52-53页 |
| 6.2.2 开发环境 | 第53页 |
| 6.2.3 数据库表设计 | 第53-54页 |
| 6.3 功能测试与展示 | 第54-56页 |
| 6.3.1 数据获取模块 | 第54-55页 |
| 6.3.2 情感分类模块 | 第55页 |
| 6.3.3 情感摘要模块 | 第55-56页 |
| 6.4 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-62页 |
