一种App描述引导的评论分析方法
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景介绍 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 研究目的及意义 | 第12-13页 |
| 1.4 本文主要工作及论文结构 | 第13-14页 |
| 第2章 相关技术介绍 | 第14-21页 |
| 2.1 LDA算法 | 第14页 |
| 2.2 文本分类技术 | 第14-16页 |
| 2.3 语法与语义分析 | 第16-19页 |
| 2.3.1 语法分析 | 第16页 |
| 2.3.2 语义分析 | 第16-19页 |
| 2.4 情感分析技术 | 第19-21页 |
| 第3章 基于方面的领域模型 | 第21-34页 |
| 3.1 方法框架概述 | 第21-23页 |
| 3.2 App描述挖掘 | 第23-29页 |
| 3.2.1 数据预处理及信息抽取 | 第23-26页 |
| 3.2.2 App描述的信息建模 | 第26-29页 |
| 3.3 评论数据的分类和抽象 | 第29-34页 |
| 3.3.1 评论分类器的构建 | 第29-31页 |
| 3.3.2 评论的抽象表示 | 第31-34页 |
| 第4章 基于TBDM的量化分析 | 第34-39页 |
| 4.1 评论的价值量化及推荐 | 第34-36页 |
| 4.2 基于领域主题的评论总结 | 第36-39页 |
| 第5章 实验与结果分析 | 第39-51页 |
| 5.1 实验设计 | 第39-41页 |
| 5.2 TBDM模型的评估 | 第41-43页 |
| 5.3 评论分类器性能评估 | 第43-44页 |
| 5.4 R-TBRM模型量化分析结果的评估 | 第44-51页 |
| 第6章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 作者简介及在学期间所取得的科研成果 | 第55-56页 |
| 致谢 | 第56页 |
