基于文本挖掘的在线评论应用研究 |
论文目录 | | 摘要 | 第1-5页 | Abstract | 第5页 | 第1章 引言 | 第9-17页 | 1.1 研究背景及意义 | 第9-10页 | 1.1.1 研究背景 | 第9-10页 | 1.1.2 研究意义 | 第10页 | 1.2 国内外研究现状 | 第10-13页 | 1.2.1 文本情感分类研究 | 第11-12页 | 1.2.2 LDA主题模型研究 | 第12-13页 | 1.2.3 文献述评 | 第13页 | 1.3 研究内容及框架 | 第13-15页 | 1.3.1 研究内容 | 第13-14页 | 1.3.2 研究框架 | 第14-15页 | 1.4 本文创新点 | 第15-17页 | 第2章 研究方法及理论 | 第17-28页 | 2.1 文本挖掘 | 第17-21页 | 2.1.1 文本挖掘理论 | 第17页 | 2.1.2 文本预处理 | 第17-19页 | 2.1.3 文本的表示 | 第19-20页 | 2.1.4 特征的提取 | 第20-21页 | 2.2 情感倾向分析 | 第21-22页 | 2.3 机器学习算法 | 第22-25页 | 2.3.1 支持向量机 | 第22-23页 | 2.3.2 K近邻算法 | 第23-24页 | 2.3.3 朴素贝叶斯 | 第24-25页 | 2.4 LDA主题模型 | 第25-28页 | 第3章 数据采集与预处理 | 第28-33页 | 3.1 数据的选取与采集 | 第28-30页 | 3.1.1 数据的选取 | 第28页 | 3.1.2 数据的采集 | 第28-30页 | 3.2 数据的预处理 | 第30-33页 | 3.2.1 数据的清洗 | 第30-31页 | 3.2.2 中文分词与去停用词 | 第31页 | 3.2.3 词频统计 | 第31-33页 | 第4章 笔记本评论数据的情感倾向分析 | 第33-38页 | 4.1 基于词典的情感分类 | 第33-35页 | 4.1.1 基础词典的构建 | 第34页 | 4.1.2 否定词典 | 第34页 | 4.1.3 情感分类结果 | 第34-35页 | 4.2 基于机器学习的分类 | 第35-37页 | 4.2.1 算法流程 | 第35-36页 | 4.2.2 实验步骤 | 第36页 | 4.2.3 分类器性能评估 | 第36-37页 | 4.3 本章小结 | 第37-38页 | 第5章 消费者评论特征分析 | 第38-46页 | 5.1 基于词云图的可视化 | 第38-40页 | 5.2 基于LDA主题模型的特征分析 | 第40-44页 | 5.2.1 LDA最优主题个数的确定 | 第40-41页 | 5.2.2 华为荣耀Magicbook的主题分析 | 第41-43页 | 5.2.3 华硕Vivobook的主题分析 | 第43-44页 | 5.3 本章小结 | 第44-46页 | 第6章 结论与展望 | 第46-49页 | 6.1 结论与建议 | 第46-48页 | 6.1.1 结论 | 第46-47页 | 6.1.2 建议 | 第47-48页 | 6.2 不足与展望 | 第48-49页 | 参考文献 | 第49-52页 | 在校研究成果及奖励 | 第52-53页 | 致谢 | 第53-54页 | 附录 | 第54-59页 |
|
|
|
| |