声明
摘要
1 绪论
1.1 课题研究背景与意义
1.2 情感分类研究现状
1.2.1 情感分类任务
1.2.2 情感字典的生成
1.2.3 情感分类模型
1.3 半监督情感分类研究现状
1.3.1 模型结合语言学的方法
1.3.2 基于统计学习的方法
1.3.3 两种极性转移解决方法比较
1.4 论文的研究内容与组织结构
2 情感分类相关技术介绍
2.1 情感分类基础知识简介
2.1.1 向量空间模型
2.1.2 特征权重
2.1.3 特征选择
2.1.4 训练分类器
2.1.5 分类结果评估
2.2 机器学习与分类技术简介
2.2.1 监督学习
2.2.2 无监督学习
2.2.3 半监督学习
3 基于半监督学习的情感分类
3.1 Self-training和Reserved self-training
3.1.1 方法简介
3.1.2 实验介绍与分析
3.2 协同训练(Co-Training)
3.2.1 方法简介
3.2.2 实验介绍与分析
3.3 直推式支持向量机(Transductive Support Vector Machine,TSVM)
3.3.1 方法简介
3.3.2 实验介绍与分析
3.4 Personal/Impersonal方法
3.4.1 方法介绍
3.4.2 实验介绍与分析
3.5 四种实验的对比
4 基于对偶系统的半监督情感分类
4.1 算法思想
4.1.1 反义样本的构成
4.1.2 对偶训练和对偶测试
4.2 半监督对偶系统
4.2.1 引入
4.2.2 算法结构设计
4.3 实验方案和结果
4.3.1 实验设置
4.3.2 比较系统
4.3.3 实验方案一与结果分析
4.3.4 实验方案二与结果分析
4.4 本章小结
5 基于对偶系统的半监督情感分类算法改进与系统实现
5.1 基于样本长度的改善方案
5.1.1 问题描述
5.1.2 优化方案
5.1.3 实验设置与结果分析
5.2 基于置信度选取的改善方案
5.2.1 问题描述
5.2.2 优化方案
5.2.3 实验设置与结果分析
5.3 基于对偶系统的半监督情感分类系统实现
5.3.1 PyQt简介
5.3.2 系统实现框架图
5.3.3 系统效果
5.4 本章小结
6 总结与展望
致谢
参考文献