基于深度学习的中文短文本情绪分类研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 引言 | 第11-13页 |
| 1 绪论 | 第13-18页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 论文主要工作 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 相关基本理论 | 第18-28页 |
| 2.1 中文分词 | 第18-20页 |
| 2.1.1 中文分词算法 | 第18-19页 |
| 2.1.2 中文分词工具 | 第19-20页 |
| 2.2 文本数据的特征提取 | 第20-25页 |
| 2.2.1 文本数据的表示模型 | 第20-21页 |
| 2.2.2 文本数据的特征提取方法 | 第21-25页 |
| 2.3 文本数据的分类模型 | 第25-27页 |
| 2.3.1 基于机器学习的文本分类模型 | 第25-27页 |
| 2.3.2 基于深度学习的文本分类模型 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 情绪语料库的构建 | 第28-32页 |
| 3.1 来源语料库 | 第28页 |
| 3.2 情绪分类体系 | 第28页 |
| 3.3 数据处理 | 第28-29页 |
| 3.4 标注规则 | 第29-30页 |
| 3.4.1 分句规则 | 第29页 |
| 3.4.2 判断有无情绪 | 第29-30页 |
| 3.4.3 多情绪选取 | 第30页 |
| 3.5 标注结果统计 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 4 系统设计 | 第32-39页 |
| 4.1 任务总体流程 | 第32页 |
| 4.2 Tensorflow实验平台 | 第32-34页 |
| 4.2.1 实验环境 | 第32-33页 |
| 4.2.2 实验标准 | 第33-34页 |
| 4.3 数据预处理 | 第34-38页 |
| 4.3.1 中文分词 | 第34-35页 |
| 4.3.2 word2vec | 第35-36页 |
| 4.3.3 对比实验 | 第36-37页 |
| 4.3.4 实验结果与分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 5 LSTM-CNN分类模型研究及实验 | 第39-49页 |
| 5.1 LSTM-CNN分类模型结构 | 第39-43页 |
| 5.1.1 LSTM层 | 第40-41页 |
| 5.1.2 卷积层 | 第41-42页 |
| 5.1.3 池化层 | 第42页 |
| 5.1.4 全连接层 | 第42-43页 |
| 5.2 模型训练 | 第43页 |
| 5.3 实验验证 | 第43-47页 |
| 5.3.1 参数选择 | 第43-45页 |
| 5.3.2 对比实验 | 第45页 |
| 5.3.3 实验结果与分析 | 第45-47页 |
| 5.4 本章小结 | 第47-49页 |
| 6 前景展望 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 在学研究成果 | 第55-56页 |
| 致谢 | 第56页 |
