面向社交媒体的观点分析技术研究

7.2 展望

7.1 总结

第7章 总结与展望

6.5 本章小结

6.4 实验评估

6.3 面向Twitter观点分类的多级别情感增强词嵌入

6.2 相关研究介绍

6.1 引言

第6章 面向Twitter观点分类的情感增强词嵌入学习方法

5.5 本章小结

5.4 实验分析

5.3 提出的摘要框架

5.2 相关研究介绍

5.1 引言

第5章 基于超图排序算法的观点文本摘要

4.5 本章小结

4.4 实验评估

4.3 深度距离度量学习方法

4.2 相关研究介绍

4.1 引言

第4章 基于深度度量学习方法的评价目标短语分组

3.5 本章小结

3.4 实验

3.3 灵活约束的K-Means算法

3.2 相关研究介绍

3.1 引言

第3章 利用有约束K-Means聚类进行评价目标短语分组

2.5 本章小结

2.4 实验及分析

2.3 情感主题模型

2.2 相关研究介绍

2.1 引言

第2章 面向产品评论分析的短文本情感主题模型

1.4 本章小结

1.3 研究内容

1.2 研究进展

1.1 研究背景和意义

第1章 绪论

序言

作者简介

版权信息

封面

封面

版权信息

作者简介

序言

第1章 绪论

1.1 研究背景和意义

1.2 研究进展

1.3 研究内容

1.4 本章小结

第2章 面向产品评论分析的短文本情感主题模型

2.1 引言

2.2 相关研究介绍

2.3 情感主题模型

2.4 实验及分析

2.5 本章小结

第3章 利用有约束K-Means聚类进行评价目标短语分组

3.1 引言

3.2 相关研究介绍

3.3 灵活约束的K-Means算法

3.4 实验

3.5 本章小结

第4章 基于深度度量学习方法的评价目标短语分组

4.1 引言

4.2 相关研究介绍

4.3 深度距离度量学习方法

4.4 实验评估

4.5 本章小结

第5章 基于超图排序算法的观点文本摘要

5.1 引言

5.2 相关研究介绍

5.3 提出的摘要框架

5.4 实验分析

5.5 本章小结

第6章 面向Twitter观点分类的情感增强词嵌入学习方法

6.1 引言

6.2 相关研究介绍

6.3 面向Twitter观点分类的多级别情感增强词嵌入

6.4 实验评估

6.5 本章小结

第7章 总结与展望

7.1 总结

7.2 展望