| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-17页 |
| ·论文的研究背景及选题意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·本论文的主要工作 | 第15-16页 |
| ·本论文的内容组织结构 | 第16-17页 |
| 2 情感分析关键技术 | 第17-31页 |
| ·情感信息的抽取 | 第17-18页 |
| ·情感信息分类 | 第18-19页 |
| ·主客观信息分类 | 第18页 |
| ·主观信息的情感分类 | 第18-19页 |
| ·文本的分类 | 第19-25页 |
| ·最大熵模型 | 第19-21页 |
| ·k最近邻算法 | 第21页 |
| ·朴素贝叶斯分类算法 | 第21-23页 |
| ·支持向量机 | 第23-25页 |
| ·常用的特征词选择算法 | 第25-27页 |
| ·文档频率 | 第25页 |
| ·信息增益 | 第25-26页 |
| ·互信息 | 第26页 |
| ·期望交叉熵 | 第26-27页 |
| ·χ~2统计 | 第27页 |
| ·自动分词技术 | 第27-28页 |
| ·基于字符串匹配的分词方法 | 第27-28页 |
| ·基于统计的分词技术 | 第28页 |
| ·词性标注技术 | 第28-31页 |
| ·基于规则的方法 | 第29页 |
| ·基于统计方法 | 第29-30页 |
| ·基于转换方法 | 第30-31页 |
| 3 潜在语义分析 | 第31-38页 |
| ·潜在语义分析简介 | 第31-32页 |
| ·潜在语义分析的原理 | 第32-34页 |
| ·潜在语义分析算法的实现 | 第34-36页 |
| ·潜在语义分析的应用 | 第36-38页 |
| ·信息检索/过滤 | 第36页 |
| ·信息聚类/分类 | 第36页 |
| ·判断和预测 | 第36-38页 |
| 4 基于潜在语义分析和最大熵的中文情感词识别及分类 | 第38-50页 |
| ·词典资源的构建 | 第38-40页 |
| ·情感种子和情感词典 | 第38-39页 |
| ·程度副词表 | 第39页 |
| ·表达情感动词表 | 第39页 |
| ·感叹语气词表 | 第39页 |
| ·复句关联词表 | 第39-40页 |
| ·否定词表 | 第40页 |
| ·基于潜在语义分析和最大熵的情感词识别及褒贬分析 | 第40-50页 |
| ·算法简介 | 第40-42页 |
| ·基于最大熵的情感词倾向性分类模型构造 | 第42页 |
| ·基于潜在语义分析的特征抽取 | 第42-44页 |
| ·基于潜在语义分析的最大熵特征函数 | 第44-48页 |
| ·最大熵模型的参数估计 | 第48-50页 |
| 5 融合多种特征的中文情感句识别及分类 | 第50-56页 |
| ·句子主客观性判别 | 第50-52页 |
| ·主观性句子情感倾向性判断 | 第52-54页 |
| ·简单句的情感倾向判断 | 第52-54页 |
| ·复句的情感倾向判断 | 第54页 |
| ·分类过程 | 第54-56页 |
| 6 实验结果与分析 | 第56-64页 |
| ·实验数据集 | 第56-57页 |
| ·实验性能评价指标 | 第57-58页 |
| ·基于LSA和最大熵的情感词识别算法的实验结果与分析 | 第58-62页 |
| ·实验工具和方法 | 第58-59页 |
| ·实验结果与分析 | 第59-62页 |
| ·融合多种特征的中文情感句识别及分类的实验结果与分析 | 第62-64页 |
| ·实验工具和方法 | 第62页 |
| ·实验结果与分析 | 第62-64页 |
| 7 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72页 |
