声明
第一章 绪 论
1.1 研究工作的背景与意义
1.2 国内外研究成果及发展前景
1.3 本论文主要创新与贡献
1.4 本论文的组织结构
第二章 相关理论与技术
2.1 文本预处理技术
2.1.1 中文文本分词
2.1.2 词性标注
2.1.3 去除停用词
2.2 计算机的文本表示方法
2.2.1传统文本表示方法
2.2.2 TF-IDF模型
2.2.3 word2vec模型
2.2.4 Glove模型
2.3 文本情感分析技术
2.3.1 基于情感词典的文本情感分析
2.3.2 基于机器学习的文本情感分析
2.3.3 基于深度学习的文本情感分析
2.4本章小结
第三章 基于已知主题关键词的微博消息挖掘
3.1 微博主题检测
3.1.1 基于文本聚类的主题检测
3.1.2 基于主题模型的主题检测
3.2 基于已知关键词的微博消息收集
3.2.1 消息收集规则
3.2.2 消息过滤规则
3.2.3 实验过程及结果分析
3.3 主题聚类
3.3.1 主题的表示方法
3.3.2 主题聚类方法的原理
3.3.3 主题聚类方法的扩展
3.3.4 主题聚类方法的实现
3.3.5 主题聚类方法的评估
3.4 本章小结
第四章 基于自定义词典和深度学习的网络模型
4.1 自定义词典
4.1.1 word2vec词典的原理及实现
4.1.2 GloVe词典的原理及实现
4.1.3 词性词典的原理及实现
4.2 基于注意力机制的双向LSTM模型
4.2.1 LSTM模型的原理
4.2.2 双向LSTM模型的原理
4.2.3 注意力机制的原理
4.2.4 基于自定义词典和注意力机制的双向LSTM模型的实现
4.3 本章小结
第五章 实时微博舆情监测系统的设计与实现
5.1 需求分析
5.2 系统设计
5.2.1 系统功能模块设计
5.2.2 数据库设计
5.3 系统实现
5.3.1 爬虫模块的实现
5.3.2 缓存模块的实现
5.3.3 算法模块的实现
5.3.4 数据存储模块的实现
5.3.5 前端展示模块的实现
5.4 本章小结
第六章 性能评估及测试
6.1 实验环境及配置
6.1.1 硬件环境配置
6.1.2 软件环境配置
6.2 实验语料
6.2.1 训练词向量所用语料
6.2.2 微博情感分类所用语料
6.3 实验结果展示与分析
6.3.1 自定义词典模型的测试
6.3.2 基于注意力机制的双向LSTM模型测试
6.4 本章小结
第七章 总结与展望
7.1 总结
7.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果