基于在线社会网络的用户情感分析研究与实现

发布时间：2022-10-30 13:42

　　随着计算机技术的高速发展以及网络的普及,人与人之间的交流不再受到时间和空间的限制。相较于传统的沟通方式,人们更倾向于使用在线社会网络分享自己的生活,表达自己的观点。由此诞生出大量的社交应用,其中新浪微博以信息涵盖面广、数据传播速度快及人人均可参与的特点成为最受用户欢迎的社交媒体。在日常生活中,用户通过微博分享生活,并就新鲜事物表达自己的观点,因此微博文本数据很大程度上带有情感色彩。对于此类数据的分析可以把握用户的情绪状态及兴趣点,在分析舆论导向、政府决策或是商业领域均有较高的研究价值。本文主要研究为设计一套完整的微博情感识别方案。该方案主要通过情感词典匹配的方式实现微博情感分析。本文提出情感识别总体设计方案分为数据采集、文本处理和情感识别等部分。本文首先对目前流行的数据采集方法进行介绍,比较其优缺点,结合微博的特点选择网络爬虫作为数据采集方法。接着通过对微博数据的分析,设计文本预处理和中文分词方案。随后本文分析了传统的情感词典应用于微博文本情感识别的不足之处,提出了通过引入网络新词词典、微博表情词典以及微博领域情感词典,结合传统的情感词典,构建出应用于微博的综合情感词典进行情感识别的方... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 现有研究的不足
    1.3本文的主要工作及组织结构
第二章 相关概述与技术介绍
    2.1 微博相关概述
        2.1.1 微博发展现状
        2.1.2 微博文本数据特点
    2.2 微博数据获取
        2.2.1 微博API接口
        2.2.2 网络爬虫
    2.3 文本预处理
    2.4 中文分词
        2.4.1 基于词典匹配的分词算法
        2.4.2 基于统计模型的分词算法
        2.4.3 基于理解的分词算法
        2.4.4 优缺点比较
    2.5 特征选择方法
        2.5.1 常用的特征选择算法
        2.5.2 各方法的优缺点
    2.6 本章小结
第三章 基于情感词典的情感识别方法
    3.1 情感词典介绍
        3.1.1 基础情感词典
        3.1.2 程度副词词典
        3.1.3 否定词典
        3.1.4 连词词典
    3.2 扩充情感词典
    3.3 领域情感词典的构建
        3.3.1 SO-PMI算法
        3.3.2 基于扩展SO-PMI算法的领域情感词典构建方法
        3.3.3 微博领域情感词典构建流程
    3.4 实验结果与分析
    3.5 本章小结
第四章 用户微博情感识别系统的设计与实现
    4.1 可行性分析
    4.2 需求分析
        4.2.1 系统功能性需求
        4.2.2 系统非功能性需求
    4.3 系统设计
        4.3.1 基础模块设计
        4.3.2 爬虫模块设计
        4.3.3 文本预处理模块设计
        4.3.4 情感分析与展示模块设计
        4.3.5 数据存储模块设计
    4.4 系统实现
        4.4.1 微博数据采集及展示
        4.4.2 系统结果展示
    4.5 本章小结
第五章 总结与展望
    5.1 论文总结
    5.2 展望及后续工作
参考文献
附录1 攻读硕士学位期间申请的专利
附录2 攻读硕士学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]基于多部情感词典和规则集的中文微博情感分析研究[J]. 吴杰胜,陆奎.  计算机应用与软件. 2019(09)
[2]基于领域词典和机器学习的影评情感分析[J]. 徐善山.  电脑知识与技术. 2019(23)
[3]基于短文本情感分析的微博舆情分析[J]. 张志勋,王娟.  中国新通信. 2019(14)
[4]基于共词分析的国内文本情感分析研究[J]. 陈红琳,魏瑞斌,张玮,张宇航.  现代情报. 2019(06)
[5]在线社会网络无偏采样技术[J]. 王栋,李振宇,谢高岗.  计算机研究与发展. 2016(05)
[6]基于用户行为特征的微博转发预测研究[J]. 刘玮,贺敏,王丽宏,刘悦,沈华伟,程学旗.  计算机学报. 2016(10)
[7]情感词权值研究及在情感极性分析中的应用[J]. 阳林.  计算机应用. 2015(S2)
[8]基于SVM和CRF多特征组合的微博情感分析[J]. 李婷婷,姬东鸿.  计算机应用研究. 2015(04)
[9]基于微博表情符号的情感词典构建研究[J]. 桂斌,杨小平,张中夏,肖文韬.  北京理工大学学报. 2014(05)
[10]基于用户行为的微博用户社会影响力分析[J]. 毛佳昕,刘奕群,张敏,马少平.  计算机学报. 2014(04)

硕士论文
[1]微博文本的细致情感分析研究[D]. 郝苗苗.大连理工大学 2019
[2]基于自定义词典的网络文本情感分析方法[D]. 何博.电子科技大学 2019
[3]基于文本情感的微博舆情分析系统设计与实现[D]. 杨康.西北大学 2018
[4]基于微博表情符号的中文情感词典构建方法研究[D]. 贾一凡.兰州理工大学 2018
[5]基于扩展词典和规则的中文微博情感分析[D]. 李继东.北京交通大学 2018
[6]汉语连词的语义语用分析[D]. 肖涵.武汉大学 2017



本文编号：3698992