| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及研究意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 在线学习研究现状 | 第9-11页 |
| 1.2.2 特征选择研究现状 | 第11-12页 |
| 1.3 本文内容及结构安排 | 第12-14页 |
| 第2章 相关理论基础 | 第14-24页 |
| 2.1 在线学习算法 | 第14-19页 |
| 2.1.1 在线梯度下降法 | 第14-15页 |
| 2.1.2 FTRL-Proximal算法 | 第15-17页 |
| 2.1.3 学习率优化算法 | 第17-19页 |
| 2.2 Word2vec词向量模型 | 第19-21页 |
| 2.2.1 神经网络语言模型 | 第19-20页 |
| 2.2.2 CBOW&Skip-gram模型 | 第20-21页 |
| 2.3 特征选择算法 | 第21-23页 |
| 2.3.1 CHI特征选择算法 | 第21-22页 |
| 2.3.2 随机森林特征选择算法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 在线学习网络舆情情感分类模型研究 | 第24-38页 |
| 3.1 改进学习率的FTRL-Proximal算法 | 第24-27页 |
| 3.1.1 改进的学习率优化算法 | 第24-25页 |
| 3.1.2 优化学习率的FTRL-Proximal算法 | 第25-27页 |
| 3.2 基于在线学习的情感分类模型 | 第27-30页 |
| 3.2.1 Doc2vec模型 | 第27-28页 |
| 3.2.2 在线学习分类算法 | 第28-30页 |
| 3.2.3 在线学习情感分类模型 | 第30页 |
| 3.3 实验与结果分析 | 第30-36页 |
| 3.3.1 实验环境与数据 | 第30-31页 |
| 3.3.2 数据预处理 | 第31页 |
| 3.3.3 评价指标 | 第31页 |
| 3.3.4 实验结果分析 | 第31-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 在线学习网络舆情主题分类模型研究 | 第38-53页 |
| 4.1 基于改进CHI和RFFS的特征选择算法 | 第38-41页 |
| 4.1.1 改进CHI算法 | 第38-39页 |
| 4.1.2 结合TDF-CHI和RFFS的特征选择算法 | 第39-41页 |
| 4.2 基于在线学习的舆情主题分类模型 | 第41-44页 |
| 4.2.1 多分类模型 | 第41-42页 |
| 4.2.2 在线学习多分类算法 | 第42-43页 |
| 4.2.3 在线学习舆情主题分类模型 | 第43-44页 |
| 4.3 实验与结果分析 | 第44-52页 |
| 4.3.1 实验环境与数据 | 第44页 |
| 4.3.2 数据预处理 | 第44页 |
| 4.3.3 评价指标 | 第44-45页 |
| 4.3.4 实验结果分析 | 第45-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 在学期间发表的学术论文与研究成果 | 第59页 |
