基于web评论信息的倾向性分析关键技术分析-analysis on key technologies of tendentiousness analysis based on web comment information.docx

目录摘要 IAbstract III第 1 章 绪论 71.1 研究目的及意义 71.1.1 理论意义 71.1.2 应用价值 81.2 研究背景 101.2.1 倾向性分析定义及主要任务 101.2.2 倾向性分析相关评测 101.3 国内外研究现状及发展动态 101.3.1 国外研究现状 111.3.2 国内研究现状 141.3.3 倾向性分析面临的问题及挑战 151.4 常用倾向性分析算法 161.4.1 基于统计的方法 161.4.2 基于图的方法 161.4.3 条件随机场 171.5 研究内容及本文贡献 181.5.1 研究内容 181.5.2 本文贡献 181.6 本文的组织结构 19 第 2 章融合上下文的跨领域情感词自动扩展方法 22 2.1 引言 222.2 相关工作 232.2.1 通用情感词典构建 232.2.2 领域倾向性分析 232.2.3 跨领域倾向性分析 242. 3 问题定义 252.3.1 问题描述 252.3.2 基本概念定义 262.4 融合上下文的情感词扩展方法 272.4.1 情感词扩展 272.4.2 倾向性定义 28I2.5 实验步骤 302.5.1 实验数据 302.5.2 BaseLine312.5.3 评价指标 322.6 实验结果分析 322.6.1 参数设置 322.6.2 对比结果分析 332.7 小结 35第 3 章 基于特征潜在隐性情感倾向的短语倾向性分析 36 3.1 引言 363.2 相关研究 363.3 问题定义 373.3.1 问题分析 373.3.2 基本概念定义 393.4 基于评价对象隐性情感的短语倾向性分析方法 403.4.1 评价对象隐性情感倾向定义 403.4.2 融合上下文的评价短语倾向性分析 413.5 实验分析 433.5.1 实验语料 433.5.2 评测指标 433.5.3 实验步骤 433.5.4 实验结果及分析 443.6 小结 47 第 4 章 基于层叠 HMM 的否定句倾向性分析方法 48 4.1 引言 484.2 影响句子倾向性因素分析 484.2.1 否定词 484.2.2 句式 494.2.3 影响语义倾向性的其它因素 514.3 马尔可夫模型相关理论 514.3.1 马尔可夫模型中的概率计算 524.3.2 学习算法 534.3.3 预测算法 544.4 基于层叠 HMM 的否定句倾向性分析方法554.4.1 基于贝叶斯的句式分类 554.4.2 基于层叠 HMM 的否定句倾向性分析方法56II4.5 实验及结果分析 634.5.1 实验语料 634.5.2 评价指标 634.5.3 实验流程 644.5.4 实验结果分析 654.6 本章小结 68第 5 章 基于层次评论文本模型构建的关联检测方法 69 5.1 引言 695.2 研究现状 695.2.1 文本表示模型相关研究 705.2.2 关联检测相关研究 715.3 问题定义 725.3.1 问题描述 725.3.2 逻辑语义单元定义 735.4 融合扩展 IB 理论的逻辑语义单元划分735.4.1 主题特征与单元特征提取 735.4.2 扩展的 IB 方法745.4.3 基于扩展 IB 理论的逻辑语义单元划分算法765.5 基于逻辑语义单元的话题关联检测 775.6 实验及结果分析 775.6.1 实验语料 775.6.2 评测指标 785.6.3 实验流程 785.6.4 实验结果及分析 795.7 小结 81第 6 章 原型系统 836.1 原型系统设计方案 836.1.1 系统设计目标 836.1.2 系统设计思路 836.1.3 系统体系结构 846.1.4 舆情倾向性分析流程 856.2 原型系统主界面 866.2.1 服务器端系统主界面 866.2.2 客户端系统主界面 876.3 效果展示 88III6.4 本章小结 89第 7 章 总结与展望 907.1 总结 907.2 进一步工作 91参考文献 92攻读博士学位期间取得的成果及参与的课题 104致谢 106IV摘要社交网络的迅速兴起，网民规模的不断攀升，使得以互联网为代表的新兴媒体已经成 为广大群众表达诉求、抨击时弊、建言献策、沟通交流的重要工具，成为群众行使知情权、 参与权、表达权和监督权的重要渠道。与此同时，网络用户也由信息的被动接收者转变为 信息的生产者，这便造成了用户产生的大量评论信息在互联网上堆积的情形。不仅如此， 用户产生评论信息中还蕴含了用户情感态度、政治倾向等信息。挖掘用户产生内容信息所 携带的情感信息，分析用户的情感倾向，对