面向互联网公众评论的情感分析方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 研究现状及发展趋势 | 第11-14页 |
| 1.2.1 基于词语级的情感分析 | 第11-12页 |
| 1.2.2 基于语句级的情感分析 | 第12-13页 |
| 1.2.3 基于篇章级的情感分析 | 第13-14页 |
| 1.2.4 基于深度学习的情感分析 | 第14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第二章 相关理论及技术 | 第16-30页 |
| 2.1 文本预处理 | 第16-20页 |
| 2.1.1 文本分词技术 | 第16-18页 |
| 2.1.2 分词系统 | 第18-19页 |
| 2.1.3 去除停用词和噪音 | 第19-20页 |
| 2.1.4 特征选择 | 第20页 |
| 2.2 文本建模 | 第20-23页 |
| 2.2.1 布尔模型 | 第21页 |
| 2.2.2 向量空间模型 | 第21页 |
| 2.2.3 统计语言模型 | 第21-23页 |
| 2.2.4 pLSA主题模型 | 第23页 |
| 2.3 神经网络 | 第23-28页 |
| 2.3.1 卷积神经网络 | 第24-26页 |
| 2.3.2 BP神经网络 | 第26-27页 |
| 2.3.3 循环神经网络 | 第27-28页 |
| 2.4 深度学习框架 | 第28-29页 |
| 2.4.1 Caffe | 第28-29页 |
| 2.4.2 TensorFlow | 第29页 |
| 2.4.3 Theano | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于词典的情感分类 | 第30-40页 |
| 3.1 网络爬虫 | 第30-33页 |
| 3.1.1 基于HTTP协议的网络爬虫 | 第30-31页 |
| 3.1.2 URL去重 | 第31-32页 |
| 3.1.3 爬虫流程图 | 第32-33页 |
| 3.2 针对网络短评论文本的处理 | 第33-35页 |
| 3.2.1 正则表达式过滤信息 | 第33-35页 |
| 3.3 情感词典的选择和构建 | 第35-36页 |
| 3.4 文本情感分类 | 第36-38页 |
| 3.5 实验数据和结果 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于深度卷积神经网络的情感分析方法 | 第40-55页 |
| 4.1 提出的深度神经网络情感分析方法流程 | 第40-41页 |
| 4.2 适用于互联网短评论情感分类的卷积神经网络 | 第41-42页 |
| 4.2.1 卷积神经网络结构 | 第41页 |
| 4.2.2 卷积层 | 第41-42页 |
| 4.2.3 池化层 | 第42页 |
| 4.2.4 全连接层 | 第42页 |
| 4.3 利用Word2Vec预处理生成输入向量 | 第42-45页 |
| 4.3.1 短文本生成向量 | 第44-45页 |
| 4.4 基于CNN的情感分类器设计与训练 | 第45-52页 |
| 4.4.1 文本情感分类器的拓扑结构 | 第45-49页 |
| 4.4.1.1 激活函数选择 | 第46-47页 |
| 4.4.1.2 池化选择 | 第47-48页 |
| 4.4.1.3 防止过拟合 | 第48页 |
| 4.4.1.4 归一化操作 | 第48页 |
| 4.4.1.5 网络结构具体流程 | 第48-49页 |
| 4.4.2 灰度图训练 | 第49-52页 |
| 4.5 实验结果与分析 | 第52-54页 |
| 4.5.1 实验结果对比 | 第54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 总结和展望 | 第55-57页 |
| 5.1 研究工作总结 | 第55-56页 |
| 5.2 未来展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-63页 |
| 中文详细摘要 | 第63-65页 |
