基于LSTM和LDA模型的患者情感分析研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 情感分析研究现状 | 第11-12页 |
| 1.2.2 情感极性分类研究现状 | 第12-14页 |
| 1.2.3 情感主题分类研究现状 | 第14-15页 |
| 1.2.4 国内外研究现状总结 | 第15-16页 |
| 1.3 主要研究内容和总体研究框架 | 第16-17页 |
| 1.4 论文组织结构安排 | 第17-19页 |
| 第二章 相关理论基础 | 第19-32页 |
| 2.1 文本预处理 | 第19页 |
| 2.2 文本深度表示模型 | 第19-22页 |
| 2.2.1 基于矩阵和聚类模式 | 第20-21页 |
| 2.2.2 基于神经网络模式 | 第21-22页 |
| 2.3 情感极性分类模型 | 第22-27页 |
| 2.3.1 基于深度神经网络模型(DNN) | 第23-24页 |
| 2.3.2 基于卷积神经网络模型(CNN) | 第24-25页 |
| 2.3.3 基于朴素贝叶斯模型(NB) | 第25-26页 |
| 2.3.4 LSTM模型 | 第26-27页 |
| 2.4 主题分类模型 | 第27-30页 |
| 2.4.1 一元模型 | 第27-28页 |
| 2.4.2 PLSA模型 | 第28-29页 |
| 2.4.3 隐含狄利克雷分布模型(LDA) | 第29-30页 |
| 2.5 实验评测指标 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于深度分层神经网络的情感极性分类研究 | 第32-49页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于LSTM递归神经网络的处理流程 | 第33页 |
| 3.3 基于双道融合层的情感极性分析 | 第33-43页 |
| 3.3.1 CNN 模型和 LSTM 模型对比 | 第34-39页 |
| 3.3.2 模型的特点 | 第39-40页 |
| 3.3.3 构建双道融合层 | 第40-42页 |
| 3.3.4 存在不足 | 第42-43页 |
| 3.4 改进的深度分层网络模型 | 第43-47页 |
| 3.4.1 构建改进的深度分层神经网络模型 | 第43-46页 |
| 3.4.2 改进的深度分层神经网络模型分类算法 | 第46页 |
| 3.4.3 模型优化 | 第46-47页 |
| 3.5 总结 | 第47-49页 |
| 第四章 基于LDA模型的情感主题分类研究 | 第49-63页 |
| 4.1 引言 | 第49-50页 |
| 4.2 基于主题模型的的处理流程 | 第50-51页 |
| 4.3 基于词替换层的情感主题分析 | 第51-55页 |
| 4.3.1 语料分析和模型对比 | 第51-53页 |
| 4.3.2 模型的特点 | 第53-54页 |
| 4.3.3 构建替换词向量模型 | 第54-55页 |
| 4.4 改进的LDA主题模型 | 第55-61页 |
| 4.4.1 构建改进的LDA模型 | 第55-60页 |
| 4.4.2 模型优化 | 第60页 |
| 4.4.3 模型调参 | 第60-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 实验设计与结果分析 | 第63-78页 |
| 5.1 实验介绍 | 第63页 |
| 5.2 实验数据 | 第63-65页 |
| 5.3 基于深度分层神经网络的情感极性研究 | 第65-71页 |
| 5.3.1 参数设置 | 第65-66页 |
| 5.3.2 模型对比 | 第66-70页 |
| 5.3.3 模型训练时间分析 | 第70-71页 |
| 5.4 深度分层神经网络模型的分类结果 | 第71-72页 |
| 5.5 基于改进LDA的主题模型研究 | 第72-74页 |
| 5.5.1 参数设置 | 第72-73页 |
| 5.5.2 模型对比 | 第73页 |
| 5.5.3 模型的训练时间分析 | 第73-74页 |
| 5.6 改进的LDA模型分类结果 | 第74-75页 |
| 5.7 情感分析可视化 | 第75-76页 |
| 5.8 本章小结 | 第76-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 全文总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 攻读学位期间的研究成果 | 第85-86页 |
| 致谢 | 第86页 |
