基于情感分析的网络热门话题抽取及热度预测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 话题抽取 | 第12-14页 |
| 1.2.2 话题热度预测 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第2章 相关理论与技术概述 | 第18-28页 |
| 2.1 社交网络 | 第18-19页 |
| 2.1.1 基本概念 | 第18页 |
| 2.1.2 社交网络的特点 | 第18-19页 |
| 2.1.3 社交网络话题抽取 | 第19页 |
| 2.2 数据获取与预处理 | 第19-24页 |
| 2.2.1 数据采集 | 第19-21页 |
| 2.2.2 文本数据处理 | 第21-22页 |
| 2.2.3 文本表示模型 | 第22-23页 |
| 2.2.4 相似度计算 | 第23-24页 |
| 2.3 文本聚类算法 | 第24-25页 |
| 2.4 热度预测方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于情感分析的网络热门话题抽取 | 第28-46页 |
| 3.1 算法概述 | 第28-29页 |
| 3.2 数据采集与预处理 | 第29-31页 |
| 3.2.1 数据采集 | 第29页 |
| 3.2.2 数据预处理 | 第29-31页 |
| 3.3 一种自监督情感分类模型 | 第31-37页 |
| 3.3.1 模型概述 | 第31-33页 |
| 3.3.2 情感词典构建与情感值计算 | 第33-35页 |
| 3.3.3 基于词典的分类 | 第35页 |
| 3.3.4 基于机器学习的分类 | 第35-37页 |
| 3.4 话题聚类 | 第37-39页 |
| 3.4.1 加权的Word2Vec词向量模型 | 第37-38页 |
| 3.4.2 改进的Single-Pass聚类算法 | 第38-39页 |
| 3.5 实验与结果分析 | 第39-45页 |
| 3.5.1 实验数据与实验平台 | 第39页 |
| 3.5.2 情感分类实验 | 第39-42页 |
| 3.5.3 话题聚类实验 | 第42-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 AB-LSTM话题热度预测 | 第46-57页 |
| 4.1 LSTM网络 | 第46-48页 |
| 4.2 AdaBoost算法 | 第48-49页 |
| 4.3 AB-LSTM预测模型 | 第49-51页 |
| 4.3.1 数据预处理 | 第49页 |
| 4.3.2 模型介绍 | 第49-51页 |
| 4.3.3 模型训练 | 第51页 |
| 4.4 实验与结果分析 | 第51-56页 |
| 4.4.1 实验数据 | 第51-52页 |
| 4.4.2 评价指标 | 第52-53页 |
| 4.4.3 参数选择 | 第53-54页 |
| 4.4.4 实验结果 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65页 |
