基于词向量和SVM的中文微博情感分类研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 主要研究内容及创新点 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 2 文本情感分析相关技术 | 第15-28页 |
| 2.1 文本预处理 | 第15-18页 |
| 2.1.1 中文分词 | 第15-16页 |
| 2.1.2 停用词处理 | 第16-17页 |
| 2.1.3 词性标注 | 第17-18页 |
| 2.2 情感词典相关知识 | 第18-20页 |
| 2.2.1 基于知识库的方法 | 第18-19页 |
| 2.2.2 基于语料库的方法 | 第19-20页 |
| 2.2.3 知识库和语料库相结合的方法 | 第20页 |
| 2.3 文本表示模型 | 第20-21页 |
| 2.3.1 布尔模型 | 第21页 |
| 2.3.2 向量空间模型 | 第21页 |
| 2.3.3 统计主题模型 | 第21页 |
| 2.4 文本特征选择 | 第21-23页 |
| 2.4.1 文档频率 | 第21-22页 |
| 2.4.2 信息增益 | 第22页 |
| 2.4.3 卡方检验 | 第22-23页 |
| 2.4.4 互信息 | 第23页 |
| 2.5 分类方法 | 第23-26页 |
| 2.5.1 支持向量机 | 第23-24页 |
| 2.5.2 朴素贝叶斯分类器 | 第24-25页 |
| 2.5.3 K近邻 | 第25-26页 |
| 2.5.4 决策树 | 第26页 |
| 2.6 分类评估指标 | 第26-27页 |
| 2.7 本章小节 | 第27-28页 |
| 3 微博情感词典构建的研究 | 第28-37页 |
| 3.1 基于情感词典的文本情感分类 | 第28-29页 |
| 3.2 相关技术介绍 | 第29-30页 |
| 3.2.1 Good-Turing简介 | 第29页 |
| 3.2.2 SO-PMI算法 | 第29-30页 |
| 3.3 情感词典的构建 | 第30-33页 |
| 3.3.1 基础情感词典的构建 | 第31页 |
| 3.3.2 候选微博情感词的提取 | 第31页 |
| 3.3.3 候选微博情感词倾向性的判断 | 第31-33页 |
| 3.3.4 否定词词典的构建 | 第33页 |
| 3.4 实验结果和分析 | 第33-36页 |
| 3.4.1 实验数据选择 | 第34页 |
| 3.4.2 实验方案 | 第34页 |
| 3.4.3 实验结果 | 第34-35页 |
| 3.4.4 实验分析 | 第35-36页 |
| 3.5 本章小节 | 第36-37页 |
| 4 基于SVMperf的中文微博情感分类 | 第37-52页 |
| 4.1 基于机器学习的文本情感分类 | 第37-38页 |
| 4.2 相关技术介绍 | 第38-45页 |
| 4.2.1 word2vec工具 | 第38-42页 |
| 4.2.2 SVMperf工具 | 第42页 |
| 4.2.3 KPCA算法 | 第42-45页 |
| 4.3 训练词向量 | 第45页 |
| 4.4 情感词典扩充 | 第45-46页 |
| 4.5 特征提取的过程 | 第46-47页 |
| 4.5.1 有效特征的表示和抽取 | 第46页 |
| 4.5.2 有效特征的维度降低 | 第46-47页 |
| 4.6 模型的训练和分类 | 第47-48页 |
| 4.7 实验结果和分析 | 第48-51页 |
| 4.7.1 实验数据选择 | 第49页 |
| 4.7.2 实验方案 | 第49页 |
| 4.7.3 实验结果 | 第49-50页 |
| 4.7.4 实验分析 | 第50-51页 |
| 4.8 本章小节 | 第51-52页 |
| 5 结论与展望 | 第52-54页 |
| 5.1 结论 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
| A.作者在攻读学位期间发表的论文目录 | 第61页 |
