| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 概述 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文的研究内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 文本分类与倾向性分析的相关技术概述 | 第15-30页 |
| 2.1 文本分类的相关技术研究 | 第15-24页 |
| 2.1.1 文本预处理 | 第15-16页 |
| 2.1.2 文本表示 | 第16-19页 |
| 2.1.3 特征降维 | 第19页 |
| 2.1.4 文本分类算法 | 第19-24页 |
| 2.2 文本倾向性分析的相关技术研究 | 第24-27页 |
| 2.2.1 基于情感词加权的文本倾向性分析方法 | 第25-26页 |
| 2.2.2 基于语义特征的文本倾向性分析方法 | 第26-27页 |
| 2.2.3 基于机器学习的文本倾向性分析方法 | 第27页 |
| 2.3 评测标准 | 第27-30页 |
| 2.3.1 准确率 | 第28页 |
| 2.3.2 查准率和查全率 | 第28页 |
| 2.3.3 F测度 | 第28-30页 |
| 第三章 面向新浪微博的企业信息分类 | 第30-41页 |
| 3.1 问题描述和解决方案 | 第30-31页 |
| 3.2 模型描述和基本分类方法 | 第31-32页 |
| 3.2.1 基本描述 | 第31页 |
| 3.2.2 微博的形式化描述 | 第31页 |
| 3.2.3 企业的形式化描述 | 第31页 |
| 3.2.4 分类过程 | 第31-32页 |
| 3.3 基本信息库的构建 | 第32-34页 |
| 3.3.1 信息来源 | 第32-33页 |
| 3.3.2 基本信息库 | 第33-34页 |
| 3.4 基于相关性的信息分类(BPR) | 第34-36页 |
| 3.4.1 相关性的计算 | 第34-35页 |
| 3.4.2 基于相关性的分类方法(BPR) | 第35-36页 |
| 3.5 基于实时信息流学习的信息分类(BPRA) | 第36-41页 |
| 3.5.1 传统分类器(BP)的局限性 | 第36-37页 |
| 3.5.2 改进措施 | 第37-38页 |
| 3.5.3 基于实时信息流学习的分类器(BPRA)设计 | 第38-41页 |
| 第四章 面向新浪微博的企业信息倾向性分析 | 第41-56页 |
| 4.1 问题描述和解决方案 | 第41页 |
| 4.2 倾向性分析的情感性词典构建 | 第41-45页 |
| 4.2.1 基于“知网”的情感性词典 | 第42-43页 |
| 4.2.2 基于网络用语的情感性词典 | 第43-44页 |
| 4.2.3 修饰性程度副词词典 | 第44-45页 |
| 4.2.4 否定性副词词典 | 第45页 |
| 4.3 基于情感性词典的企业信息倾向性分析 | 第45-56页 |
| 4.3.1 总体设计流程 | 第45-47页 |
| 4.3.2 分词分析 | 第47-48页 |
| 4.3.3 句法分析 | 第48-50页 |
| 4.3.4 微博表示模型扩展 | 第50页 |
| 4.3.5 提取情感词 | 第50-52页 |
| 4.3.6 倾向性强度计算 | 第52-56页 |
| 第五章 系统实现和性能分析 | 第56-66页 |
| 5.1 系统演示 | 第56-58页 |
| 5.2 企业信息分类性能分析 | 第58-61页 |
| 5.2.1 分类实验设计 | 第58-59页 |
| 5.2.2 实验结果及分析 | 第59-61页 |
| 5.3 企业信息倾向性分析性能分析 | 第61-66页 |
| 5.3.1 实验设计 | 第61-62页 |
| 5.3.2 实验结果及分析 | 第62-66页 |
| 第六章 总结与展望 | 第66-67页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70页 |