内容简介
作者简介
目录
目录
第一章 绪论
第一节 研究背景和研究意义
一 自然语言处理
二 文本情感分析
第二节 文本情感分析整体研究现状
一 语料阶段
（一）评测语料
（二）跨领域语料研究
二 文本的预处理阶段
三 特征标注与特征选择阶段
（一）情感特征的标注方法
（二）情感特征的选择方法
四 情感分类阶段
（一）情感建模的方法
（二）情感分析的其他研究点
（三）目前已有系统
五 中文文本情感分析亟待解决的问题
第三节 研究内容与结构
一 研究内容
二 研究结构
本章小结
第二章 情感语义块特征
第一节 研究现状
第二节 情感特征的定义
一 特征项的选择与权重
（一）字特征
（二）词特征
（三）确定特征权重
二 语义块特征无监督提取
（一）基于块的语义分析
（二）无监督方法
（三）无监督学习
（四）文本理解
（五）无监督分词
（六）已存在的方法
（七）存在的问题
三 情感语义块特征的生成
（一）后缀树的生成
（二）通过后缀树查找独立的语义单位
第三节 情感特征采集系统
一情感特征的自动标注
二 情感特征的人工标注
本章小结
第三章 网络挖掘的数据获取
第一节 万维网①介绍
一 万维网的发展
二 因特网的历史
第二节 网络挖掘
一 网络数据挖掘特点
二 网络挖掘步骤
（一）前处理
（二）数据挖掘
（三）后处理
三 网络数据挖掘的内容
（一）网络数据挖掘的组织结构
（二）关联规则与序列模式
（三）监督方法
（四）信息检索和网络搜索
（五）社会网络分析
（六）信息抓取②（Web Crawling）
（七）结构化数据的提取：包装器生成（W rapper Generation）
（八）信息集成
（九）意见挖掘和情绪分析
（十）网络使用挖掘
本章小结
第四章 中文分词
第一节 自然语言处理
一 自然语言处理技术
（一）分词的思想
（二）分词的概况
（三）自然语言文本处理研究步骤
二 无监督分词研究
（一）研究方法
（二）技术路线
（三）实验方案
（四）可行性分析
（五）传统方法需要突破
（六）分句、分词、语法分析、语义分析研究的内容
（七）面向中文文本的无人监督理解的实现方法与技术
第二节 中文分词的前沿性及创新性
一 国内外当前水平
（一）国外中文信息处理方法的研究现状
（二）国内中文信息处理方法的研究现状
二 分词的前沿性
三 分词的创新性
本章小结
第五章 算法准备
第一节 机器学习概述
第二节 文本特征选择方法
一 过滤器方法
二 包装器方法
三 文本学习方法
第三节 文本分类器核心算法
一 相关定义
（一）文本概率网络的应用实例
（二）文本概率网络的推理
二 最优基于概率网络的文本分类器
（一）决策超平面
（二）最小距离分类器③
（三）概率密度估计
（四）高斯分布的均值向量
（五）基础概率分类器
（六）离散特征下的特征向量
三 线性决策函数及决策超平面
（一）应用感知器算法定义线性超平面
（二）超平面实例
（三）感知器算法的变体
（四）维度扩展实例
（五）感知器算法在神经网络建模中的应用
（六）感知器算法的收敛方法
四 均方错误估计
五 随机近似和LMS算法
六 错误平方和估计
七 最优分类器的输出——偏差和方差的困境
本章小结
第六章 基于遗传算法的情感特征选择
第一节 特征选择相关工作
一 特征选择
二 特征选择方法
（一）DF（文档频率）
（二）TS（特征增强）
（三）TC（特征贡献）
（四）En（基于熵的特征排序）
（五）CHI（χ2统计）
（六）MI（互信息）
（七）IG（信息增益）
（八）算法比较
第二节 情感特征选择的算法设计
一 情感特征编码
二 群体设置
三 个体适应度函数
四 遗传算子
（一）选择算子
（二）交叉算子
（三）变异算子
（四）遗传算法的终止规则
第三节 改进的K-均值聚类及实验结果
一 改进K-均值聚类
二 特征选择的实验结果
（一）实验数据
（二）评价指标
（三）实验结果
三 公开语料上的实验对比
（一）实验数据
（二）评价指标
（三）实验结果
本章小结
第七章 基于局部高频字串的语句条件随机场模型
第一节 句法分析
一 句法分析研究
二 依存句法分析
三 依存关系与汉语依存语法
四 基于规则的依存信息抽取
五 句法研究代码实现与分析
（一）句法标识
（二）局部组合中心词为名词
（三）局部组合中心词其他情况
（四）中心词左侧查找函数
（五）中心词左侧无父节点
（六）中心词右侧查找函数
（七）局部组合的可能性分析
（八）单动词语句的句法分析
（九）多动词语句的句法分析
（十）语句处理其他情况分析
（十一）副词情况的处理函数
（十二）非动词情况判定
（十三）普通词组句法分析
（十四）介词中心句
（十五）形容词中心句
第二节 采用CRF进行句法级别情感分析过程
一 语句中的局部高频字串
（一）局部高频字串的定义
（二）局部高频字串的过滤
二 对语句信息进行CRF模型情感分析
（一）标注语句情感标签
（二）条件随机场算法
（三）算法模型
三 HMM模型
第三节 实验结果及分析
一 实验研究资源
二 实验结果评价
三 CRF模型与HMM、MEMM、SVM模型的对比
四 实验结果与前人代表性的算法比较
五 局部高频字串对情感分类的影响
六 局部高频字串特征对不同评论数据的影响
本章小结
第八章 基于集成情感成员模型的文本情感分析方法
第一节 自动分类问题
一 贝叶斯算法
二 K-近邻
三 人工神经网络
四 决策树
第二节 集成学习
第三节 成员模型1：基于神经网络和进化论算法的个体模型
一 人类情感判断过程分析
二 文本情感分析过程的计算机模拟
三 个体模型的定义
（一）情感特征
（二）特征权重
（三）先验知识库
四 个体模型的建模
（一）个体模型基于蒙特卡罗方法建模
（二）特征编码定义
（三）个体模型初始化算法
五 构建针对文本情感分类的神经网络模型
（一）神经网络的定义及算法
（二）构建针对文本情感处理的神经网络
（三）改进反向传播算法进行训练
（四）建模步骤
六 判断结果汇总
（一）“群体效应”
（二）“个体间对话”建模
七 个体模型的进化
第四节 其他成员模型
一 成员模型2：基于语义块获得情感特征集的个体模型
二 成员模型3：基于条件随机场模型
三 成员模型的集成
第五节 实验技术方案搭建
一 服务器LINUX平台
（一）红旗LINUX
（二）服务器部署
二 J2EE架构
三 服务器集群的配置
四 jfreechart实验结果可视化
五 服务器集群测试环境实现
（一）环境配置
（二）远程服务器设置
（三）本地测试环境设置
第六节 实验结果及分析
一 英文影评语料实验研究
（一）实验数据
（二）评价指标
（三）实验结果
（四）实验结果与其他研究者比较
二 中文影评语料实验研究
（一）实验数据
（二）评价指标
（三）基于进化算法的成员模型1的进化
三 中文同领域和跨领域情感语料对比实验研究
本章小结
第九章 结论与展望
第一节 工作研究现状
第二节 工作总结与未来工作展望
一 工作总结
二 无监督学习算法的研究意义
（一）情感分析的研究分析未来展望
（二）应用方向与前景：教学评语研究
（三）研究方法及实验手段
（四）未来工作可行性分析
本章小结
版权所有：中国社会科学出版社 备案序号： 京ICP备05032912号-1 地址：北京西城区鼓楼西大街甲158号 邮编：100720
客服中心
收藏
消息
反馈