大规模网络文本的细粒度情感分析技术研究
| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 相关研究进展 | 第17-21页 |
| 1.2.1. 方面词抽取工作相关研究 | 第18-19页 |
| 1.2.2. 方面级情感分析相关研究 | 第19-20页 |
| 1.2.3. 立场分析相关研究 | 第20-21页 |
| 1.3 研究内容 | 第21-22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 第二章 相关研究 | 第24-36页 |
| 2.1 词向量 | 第24-28页 |
| 2.1.1. 通用词向量 | 第24-27页 |
| 2.1.2. 其他文本向量表示方式 | 第27-28页 |
| 2.2 注意力机制 | 第28-30页 |
| 2.2.1 原始注意力机制 | 第29页 |
| 2.2.2 自注意力机制 | 第29-30页 |
| 2.3 神经网络 | 第30-33页 |
| 2.3.1. 卷积神经网络 | 第30-31页 |
| 2.3.2. 循环神经网络 | 第31-33页 |
| 2.3.3. 树状神经网络 | 第33页 |
| 2.4 本章小结 | 第33-36页 |
| 第三章 融合知识库的树状神经网络方面词抽取 | 第36-48页 |
| 3.1 问题引述及研究思路 | 第36-38页 |
| 3.2 融合知识库的树状神经网络抽取方面词 | 第38-45页 |
| 3.2.1. 依存句法树网络 | 第38-40页 |
| 3.2.2. 情感信息融合 | 第40-41页 |
| 3.2.3. 引入外部知识库 | 第41-43页 |
| 3.2.4. 总体流程 | 第43-45页 |
| 3.3 实验过程 | 第45-47页 |
| 3.3.1. 数据集及对比实验 | 第45-46页 |
| 3.3.2. 实验结果及分析 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于短语信息的方面级情感分析 | 第48-60页 |
| 4.1 问题引述与研究思路 | 第48-49页 |
| 4.2 基于短语信息的方面级情感分析模型 | 第49-54页 |
| 4.2.1. 短语提取层 | 第50-51页 |
| 4.2.2. 句子表示层 | 第51-52页 |
| 4.2.3. 基于Attention的信息融合层 | 第52-53页 |
| 4.2.4. 总体流程 | 第53-54页 |
| 4.3 实验过程 | 第54-59页 |
| 4.3.1. 数据集及实验设置 | 第55-56页 |
| 4.3.2. 对比模型 | 第56-57页 |
| 4.3.3. 实验结果及分析 | 第57页 |
| 4.3.4. 具体实例分析 | 第57-58页 |
| 4.3.5. 模型性能分析 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于强化自注意力网络的立场分析模型 | 第60-70页 |
| 5.1 问题引述及研究思路 | 第60-61页 |
| 5.2 基于强化自注意力网络的立场分析模型 | 第61-65页 |
| 5.2.1. 基于原始注意力机制的信息融合 | 第61-62页 |
| 5.2.2. 硬注意力机制的序列采样 | 第62-63页 |
| 5.2.3. 强化自注意力模型 | 第63-64页 |
| 5.2.4. 模型训练 | 第64-65页 |
| 5.3 实验过程 | 第65-68页 |
| 5.3.1. 数据集及对比实验 | 第65-66页 |
| 5.3.2. 实验结果及分析 | 第66-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 总结 | 第70-72页 |
| 6.1 本文工作总结 | 第70-71页 |
| 6.2 下一步研究展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 作者简历 | 第74-76页 |
| 参考文献 | 第76-81页 |
