基于SVM的文本情感分类研究及应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题研究背景和意义 | 第9-12页 |
| 1.1.1 情感分类研究背景 | 第9-10页 |
| 1.1.2 情感分类研究意义 | 第10-12页 |
| 1.2 课题研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 论文内容及结构组成 | 第15-17页 |
| 1.3.1 论文研究内容 | 第15-16页 |
| 1.3.2 论文组织结构 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 文本情感分类理论基础 | 第18-31页 |
| 2.1 文本情感分类概述 | 第18-20页 |
| 2.2 中文分词及工具 | 第20-22页 |
| 2.2.1 中文分词 | 第20-21页 |
| 2.2.2 主流的中文分词工具 | 第21-22页 |
| 2.3 文本特征选择 | 第22-30页 |
| 2.3.1 文本表示模型 | 第22-23页 |
| 2.3.2 文本特征选择 | 第23-28页 |
| 2.3.3 文本特征权重计算 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 改进的SVM文本情感分类模型 | 第31-57页 |
| 3.1 支持向量机的模型建立 | 第31-37页 |
| 3.1.1 线性可分支持向量机 | 第31-35页 |
| 3.1.2 线性不可分支持向量机 | 第35-36页 |
| 3.1.3 核函数 | 第36-37页 |
| 3.2 改进PSO算法 | 第37-44页 |
| 3.2.1 引入收敛因子 | 第39-40页 |
| 3.2.2 对越界粒子的改进处理 | 第40-41页 |
| 3.2.3 引入粒子的自适应变异处理 | 第41-42页 |
| 3.2.4 改进PSO算法的伪代码 | 第42-44页 |
| 3.3 改进PSO算法性能测试 | 第44-51页 |
| 3.3.1 标准测试函数 | 第44-47页 |
| 3.3.2 测试结果对比 | 第47-51页 |
| 3.4 SVM的参数选择 | 第51-55页 |
| 3.4.1 多折交叉验证的SVM参数选择 | 第51-52页 |
| 3.4.2 改进PSO优化的SVM参数选择 | 第52-54页 |
| 3.4.3 实例分析 | 第54-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第4章 文本情感分类模型在中文影评中的应用 | 第57-82页 |
| 4.1 应用环境说明 | 第57页 |
| 4.2 语料数据爬取 | 第57-67页 |
| 4.2.1 网络爬虫原理 | 第57-59页 |
| 4.2.2 爬虫框架Scrapy介绍 | 第59-61页 |
| 4.2.3 电影评论语料获取 | 第61-67页 |
| 4.3 LIBSVM简介 | 第67-68页 |
| 4.4 分类模型在中文影评中的应用 | 第68-81页 |
| 4.4.1 中文分词处理 | 第68-70页 |
| 4.4.2 特征选择 | 第70-73页 |
| 4.4.3 特征权重计算 | 第73-75页 |
| 4.4.4 基于SVM的文本情感分类及分析 | 第75-81页 |
| 4.5 本章小结 | 第81-82页 |
| 第5章 总结与展望 | 第82-84页 |
| 5.1 总结 | 第82-83页 |
| 5.2 展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 附录 改进PSO的matlab程序核心代码 | 第90-93页 |
| 致谢 | 第93页 |
