| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究目的及意义 | 第12-13页 |
| 1.2 文本倾向性分析的研究现状 | 第13-17页 |
| 1.2.1 基于语义的文本倾向性分析 | 第13-15页 |
| 1.2.2 基于机器学习的文本倾向性分析 | 第15-16页 |
| 1.2.3 存在的问题 | 第16-17页 |
| 1.3 论文的主要工作 | 第17-18页 |
| 1.4 论文的结构安排 | 第18-20页 |
| 第二章 基于通用领域框架的特征聚类 | 第20-34页 |
| 2.1 引言 | 第20-22页 |
| 2.2 相关概念介绍 | 第22-23页 |
| 2.3 基于word2vec与规则的产品型号抽取系统 | 第23-29页 |
| 2.3.1 品牌词集构建模块 | 第24-29页 |
| 2.3.2 规则生成模块 | 第29页 |
| 2.3.3 信息抽取模块 | 第29页 |
| 2.4 基于word2vec与词典的属性同义词知识库构造 | 第29-32页 |
| 2.4.1 电子领域属性同义词知识库的构造 | 第30-31页 |
| 2.4.2 酒店领域属性同义词知识库的构造 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 改进的基于加权SimRank的跨领域文本倾向性分析 | 第34-42页 |
| 3.1 引言 | 第34-35页 |
| 3.2 相关概念介绍 | 第35页 |
| 3.3 SimRank算法 | 第35-36页 |
| 3.4 基于加权SimRank的文本倾向性分析 | 第36-37页 |
| 3.5 改进的基于加权SimRank的跨领域文本倾向性分析 | 第37页 |
| 3.6 实验及其结果分析 | 第37-40页 |
| 3.6.1 实验设置 | 第37页 |
| 3.6.2 实验过程 | 第37-40页 |
| 3.6.3 实验结果与分析 | 第40页 |
| 3.7 本章小结 | 第40-42页 |
| 第四章 基于词向量的领域情感词倾向性计算方法 | 第42-50页 |
| 4.1 引言 | 第42-43页 |
| 4.2 词向量 | 第43-44页 |
| 4.3 基准词选取 | 第44页 |
| 4.4 基于词向量的领域情感词语义相似度计算 | 第44-45页 |
| 4.5 实验及其结果分析 | 第45-49页 |
| 4.5.1 实验设置 | 第45页 |
| 4.5.2 实验过程 | 第45-47页 |
| 4.5.3 实验结果及分析 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-54页 |
| 5.1 总结 | 第50-51页 |
| 5.2 未来工作展望 | 第51-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-58页 |
| 研究成果及发表的学术论文 | 第58-60页 |
| 作者及导师简介 | 第60-61页 |
| 附件 | 第61-62页 |
