| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 情感分析研究现状 | 第8-12页 |
| 1.2.1 分析的文本粒度 | 第8-9页 |
| 1.2.2 自然语言处理的相关问题 | 第9页 |
| 1.2.3 基于深度学习的情感分析 | 第9-11页 |
| 1.2.4 基于修辞关系的情感分析 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第2章 相关理论和开源工具 | 第14-32页 |
| 2.1 深度学习 | 第14-21页 |
| 2.1.1 循环神经网络 | 第14-15页 |
| 2.1.2 长短期记忆网络 | 第15-17页 |
| 2.1.3 递归神经网络 | 第17-18页 |
| 2.1.4 树形长短期记忆网络 | 第18-21页 |
| 2.2 语篇分析 | 第21-25页 |
| 2.2.1 修辞结构理论 | 第21-24页 |
| 2.2.2 相关语料 | 第24页 |
| 2.2.3 修辞结构理论解析器开源工具 | 第24-25页 |
| 2.3 句法分析 | 第25-30页 |
| 2.3.1 成分句法分析 | 第25-27页 |
| 2.3.2 依存句法分析 | 第27-28页 |
| 2.3.3 开源工具介绍 | 第28-30页 |
| 2.4 词向量 | 第30-32页 |
| 2.4.1 词向量相关理论 | 第30-31页 |
| 2.4.2 开源工具介绍 | 第31-32页 |
| 第3章 基于深度学习和修辞关系的情感分析算法 | 第32-57页 |
| 3.1 相关研究 | 第32-34页 |
| 3.2 存在的问题及算法提出 | 第34-35页 |
| 3.3 模型设计 | 第35-47页 |
| 3.3.1 RST-Stack-NN模型 | 第35-41页 |
| 3.3.2 RST-Stack-LSTM模型前向传播 | 第41-44页 |
| 3.3.3 RST-Stack-LSTM模型反向传播 | 第44-46页 |
| 3.3.4 RST-Stack-LSTM完整梯度计算伪代码 | 第46-47页 |
| 3.4 数据扩增技术 | 第47-49页 |
| 3.5 实验结果和分析 | 第49-57页 |
| 3.5.1 分类器 | 第49页 |
| 3.5.2 语料情感特性分析 | 第49-50页 |
| 3.5.3 语料语篇结构分析 | 第50-51页 |
| 3.5.4 超参数和训练细节 | 第51-52页 |
| 3.5.5 对比实验 | 第52-55页 |
| 3.5.6 修辞关系向量分布 | 第55-57页 |
| 第4章 基于深度学习和修辞关系的情感分析系统的实现 | 第57-67页 |
| 4.1 模型及系统概要设计 | 第57-59页 |
| 4.1.1 系统模块架构 | 第57-58页 |
| 4.1.2 系统概要设计 | 第58-59页 |
| 4.2 系统功能详细实现 | 第59-67页 |
| 4.2.1 语料预处理模块 | 第60-63页 |
| 4.2.2 算法模型模块 | 第63-65页 |
| 4.2.3 性能分析与结果展示模块 | 第65-67页 |
| 第5章 研究总结与下一步展望 | 第67-69页 |
| 5.1 研究总结 | 第67-68页 |
| 5.2 下一步展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
