掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
妙相梵容
-
>
基立爾蒙文:蒙文
-
>
我的石頭記
-
>
心靈元氣社
-
>
女性生存戰爭
-
>
縣中的孩子 中國縣域教育生態
-
>
(精)人類的明天(八品)
語言文字輿情自動監測的基本方法和關鍵技術研究 版權信息
- ISBN：9787569265705
- 條形碼：9787569265705 ; 978-7-5692-6570-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
語言文字輿情自動監測的基本方法和關鍵技術研究 內容簡介
出于語言文字輿情自動監測的現實需要，本書著力研究語言文字輿情自動監測的基本方法和面向語言文字輿情自動監測的漢語文本傾向性分析這一關鍵技術，所討論的問題主要涉及輿情監測和傾向性分析兩個研究領域，所運用的研究方法分別是綜合分析和個案分析相結合的方法以及基于規則的方法。
語言文字輿情自動監測的基本方法和關鍵技術研究 目錄
第1章 緒論
1．1 問題的提出
1．2 研究意義
1．3 研究方法
1．4 主要研究內容
1．5 研究的創新性
第2章 相關研究綜述
2．1 輿情監測相關研究
2．1．1 兩對概念
2．1．2 國外輿情監測相關研究
2．1．3 國內輿情監測相關研究
2．2 傾向性分析相關研究
2．2．1 相關概念
2．2．2 語言學方面的研究
2．2．3 計算語言學方面的研究
2．3 小結
第3章 語言文字輿情自動監測的基本方法
3．1 語言文字輿情概述
3．1．1 語言文字輿情的內涵
3．1．2 語言文字輿情的外延
3．1．3 語言文字輿情的基本要素
3．1．4 語言文字輿情的特點
3．1．5 語言文字輿情的形成規律
3．2 語言文字輿情自動監測的系統模型
3．3 語言文字輿情自動匯集方法
3．3．1 語言文字輿情信息的匯集原則
3．3．2 語言文字輿情信息的匯集渠道
3．3．3 語言文字輿情信息的匯集范圍
3．3．4 語言文字輿情信息的匯集方法
3．3．5 初步的實驗與結果
3．4 語言文字輿情自動測量方法
3．4．1 測量原則
3．4．2 測量指標
3．4．3 測量對象及測量點
3．4．4 測量指標的量化
3．4．5 初步的實驗與結果
3．5 語言文字輿情自動分析方法
3．5．1 **層次的分析：輿情事件摘要
3．5．2 第二層次的分析：輿情概況分析
3．5．3 第三層次的分析：輿情態勢分析
3．6 小結
第4章 面向傾向性分析的漢語主觀性表達探析
4．1 語言主觀性描述體系的整體框架
4．2 漢語主觀性表達的類別維度
4．2．1 主觀情感
4．2．2 主觀傾向
4．2．3 主觀推測
4．2．4 主觀認知
4．2．5 主觀意愿
4．2．6 主觀預期
4．3 漢語主觀性表達的程度維度
4．4 漢語主觀性表達的形式維度
4．4．1 詞形式的漢語主觀性表達
4．4．2 短語形式的漢語主觀性表達
4．4．3 句子形式的漢語主觀性表達
4．5 漢語主觀性表達的成分維度
4．6 漢語主觀性表達的關聯維度
4．7 漢語主觀性表達的模式維度
4．7．1 句子主觀性表達的結構模式
4．7．2 篇章主觀性表達的邏輯模式
4．7．3 篇章主觀性表達的銜接模式
4．8 基于語料庫的漢語主觀性表達考察
4．8．1 漢語語義傾向標注語料庫的建設和加工
4．8．2 基于漢語語義傾向標注語料庫的統計數據
4．8．3 漢語主觀性表達的主要特點
4．9 小結
第5章 基于語義方法的句子傾向性分析
5．1 情感詞典及附加詞典的研制
5．1．1 基本思路
5．1．2 研制過程
5．1．3 測試及說明
5．2 依存句法分析
5．3 基本原則、分類規則和識別規則
5．3．1 基本原則
5．3．2 分類規則
5．3．3 識別規則
5．4 計算規則與合并規則
5．4．1 句子整體計算規則
5．4．2 核心表達成分合并規則與計算規則
5．4．3 修飾表達成分計算規則
5．4．4 提示表達成分計算規則
5．5 實驗與結果
5．5．1 句子傾向性分類的實驗與結果
5．5．2 句子傾向性程度分析的實驗與結果
5．5．3 句子傾向性分析應用系統的評測結果
5．6 句子內傾向性及其對象、來源的對應
5．7 小結
第6章 基于淺層篇章結構的評論文傾向性分析
6．1 篇章結構和淺層篇章結構
6．2 漢語評論文的特點
6．3 漢語評論文淺層篇章結構表示
6．4 基于淺層篇章結構的漢語評論文傾向性分析
6．4．1 評論文主題識別
6．4．2 評論文主題傾向句抽取
6．4．3 基于主題傾向句的評論文傾向性分析
6．5 實驗及結果
6．5．1 數據
6．5．2 資源和工具
6．5．3 實驗結果及分析
6．6 小結
第7章 結論
7．1 對本書研究工作的總結
7．2 進一步的研究計劃
參考文獻
附錄
附錄1 2008-2011年語言文字輿情事件一覽表
附錄2 部分語言文字輿情信息源
附錄3 漢語語義傾向標注語料庫標記集和示例
附錄4 情感詞典及附加詞典示例
1．1 問題的提出
1．2 研究意義
1．3 研究方法
1．4 主要研究內容
1．5 研究的創新性
第2章 相關研究綜述
2．1 輿情監測相關研究
2．1．1 兩對概念
2．1．2 國外輿情監測相關研究
2．1．3 國內輿情監測相關研究
2．2 傾向性分析相關研究
2．2．1 相關概念
2．2．2 語言學方面的研究
2．2．3 計算語言學方面的研究
2．3 小結
第3章 語言文字輿情自動監測的基本方法
3．1 語言文字輿情概述
3．1．1 語言文字輿情的內涵
3．1．2 語言文字輿情的外延
3．1．3 語言文字輿情的基本要素
3．1．4 語言文字輿情的特點
3．1．5 語言文字輿情的形成規律
3．2 語言文字輿情自動監測的系統模型
3．3 語言文字輿情自動匯集方法
3．3．1 語言文字輿情信息的匯集原則
3．3．2 語言文字輿情信息的匯集渠道
3．3．3 語言文字輿情信息的匯集范圍
3．3．4 語言文字輿情信息的匯集方法
3．3．5 初步的實驗與結果
3．4 語言文字輿情自動測量方法
3．4．1 測量原則
3．4．2 測量指標
3．4．3 測量對象及測量點
3．4．4 測量指標的量化
3．4．5 初步的實驗與結果
3．5 語言文字輿情自動分析方法
3．5．1 **層次的分析：輿情事件摘要
3．5．2 第二層次的分析：輿情概況分析
3．5．3 第三層次的分析：輿情態勢分析
3．6 小結
第4章 面向傾向性分析的漢語主觀性表達探析
4．1 語言主觀性描述體系的整體框架
4．2 漢語主觀性表達的類別維度
4．2．1 主觀情感
4．2．2 主觀傾向
4．2．3 主觀推測
4．2．4 主觀認知
4．2．5 主觀意愿
4．2．6 主觀預期
4．3 漢語主觀性表達的程度維度
4．4 漢語主觀性表達的形式維度
4．4．1 詞形式的漢語主觀性表達
4．4．2 短語形式的漢語主觀性表達
4．4．3 句子形式的漢語主觀性表達
4．5 漢語主觀性表達的成分維度
4．6 漢語主觀性表達的關聯維度
4．7 漢語主觀性表達的模式維度
4．7．1 句子主觀性表達的結構模式
4．7．2 篇章主觀性表達的邏輯模式
4．7．3 篇章主觀性表達的銜接模式
4．8 基于語料庫的漢語主觀性表達考察
4．8．1 漢語語義傾向標注語料庫的建設和加工
4．8．2 基于漢語語義傾向標注語料庫的統計數據
4．8．3 漢語主觀性表達的主要特點
4．9 小結
第5章 基于語義方法的句子傾向性分析
5．1 情感詞典及附加詞典的研制
5．1．1 基本思路
5．1．2 研制過程
5．1．3 測試及說明
5．2 依存句法分析
5．3 基本原則、分類規則和識別規則
5．3．1 基本原則
5．3．2 分類規則
5．3．3 識別規則
5．4 計算規則與合并規則
5．4．1 句子整體計算規則
5．4．2 核心表達成分合并規則與計算規則
5．4．3 修飾表達成分計算規則
5．4．4 提示表達成分計算規則
5．5 實驗與結果
5．5．1 句子傾向性分類的實驗與結果
5．5．2 句子傾向性程度分析的實驗與結果
5．5．3 句子傾向性分析應用系統的評測結果
5．6 句子內傾向性及其對象、來源的對應
5．7 小結
第6章 基于淺層篇章結構的評論文傾向性分析
6．1 篇章結構和淺層篇章結構
6．2 漢語評論文的特點
6．3 漢語評論文淺層篇章結構表示
6．4 基于淺層篇章結構的漢語評論文傾向性分析
6．4．1 評論文主題識別
6．4．2 評論文主題傾向句抽取
6．4．3 基于主題傾向句的評論文傾向性分析
6．5 實驗及結果
6．5．1 數據
6．5．2 資源和工具
6．5．3 實驗結果及分析
6．6 小結
第7章 結論
7．1 對本書研究工作的總結
7．2 進一步的研究計劃
參考文獻
附錄
附錄1 2008-2011年語言文字輿情事件一覽表
附錄2 部分語言文字輿情信息源
附錄3 漢語語義傾向標注語料庫標記集和示例
附錄4 情感詞典及附加詞典示例
展開全部
語言文字輿情自動監測的基本方法和關鍵技術研究 作者簡介
楊江，男，博士，副教授，碩士生導師，湖南科技大學外國語學院副院長，德國特里爾大學國家公派訪聞學者，湖南省高等教育學會大學外語專業委常務理事，中國傳媒大學語言學及應用語言學博士。主持完成國家社科基金項目1項，主持各類省級項目4項。在Journal of Quantitative Linguistics、《當代語言學》《中文信息學報》等刊物發表論文30余篇。
書友推薦
- >
我從未如此眷戀人間
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
巴金－再思錄
- >
名家帶你讀魯迅:朝花夕拾
- >
隨園食單
- >
二體千字文
- >
月亮虎
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
