首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

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

论文共86页,点击 下载论文
上一篇:中央执行负荷、分数知识对六年级儿童符号与非符号分数计算的影响
下一篇:具有宏微观孔结构的羟基磷灰石基骨组织工程复合支架的研究