| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 本文主要研究工作 | 第12-13页 |
| 1.2.1 基于深度学习的立场倾向性分类 | 第12页 |
| 1.2.2 基于话题子分类器的集成学习策略 | 第12-13页 |
| 1.2.3 基于跨领域迁移学习的新话题评论预测 | 第13页 |
| 1.3 论文组织结构 | 第13-14页 |
| 第2章 相关工作综述 | 第14-22页 |
| 2.1 双向长短期记忆网络 | 第14-15页 |
| 2.2 注意力机制 | 第15页 |
| 2.3 立场分析 | 第15-17页 |
| 2.3.1 情感极性分类 | 第15-16页 |
| 2.3.2 立场分析 | 第16-17页 |
| 2.4 集成学习策略 | 第17-19页 |
| 2.4.1 传统集成策略 | 第17-19页 |
| 2.4.2 深度集成策略 | 第19页 |
| 2.5 面向文本情感分析的跨领域迁移学习 | 第19-20页 |
| 2.6 整体方法对比总结 | 第20-21页 |
| 2.7 本章小结 | 第21-22页 |
| 第3章 基于AATA-BiLSTM的立场倾向性分类 | 第22-36页 |
| 3.1 概述 | 第22-23页 |
| 3.2 词向量的话题扩充算法 | 第23-25页 |
| 3.3 神经网络分类器模型 | 第25-28页 |
| 3.3.1 双向LSTM网络层 | 第26-27页 |
| 3.3.2 注意力层 | 第27-28页 |
| 3.3.3 模型的训练 | 第28页 |
| 3.4 实验 | 第28-31页 |
| 3.4.1 数据集 | 第28-29页 |
| 3.4.2 评价指标 | 第29页 |
| 3.4.3 实验参数和执行细节 | 第29-30页 |
| 3.4.4 实验结果 | 第30-31页 |
| 3.5 模型分析 | 第31-35页 |
| 3.5.1 定量分析 | 第31-32页 |
| 3.5.2 定性分析 | 第32-33页 |
| 3.5.3 案例分析 | 第33-34页 |
| 3.5.4 错误分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于话题子分类器的集成学习策略 | 第36-42页 |
| 4.1 概述 | 第36页 |
| 4.2 基于文本表示的集成策略 | 第36-38页 |
| 4.2.1 子分类器模型预训练 | 第37页 |
| 4.2.2 文本表示的集成 | 第37-38页 |
| 4.3 基于Ad-hoc方法的集成策略 | 第38-39页 |
| 4.4 实验与分析 | 第39-41页 |
| 4.4.1 实验参数、指标和执行细节 | 第39页 |
| 4.4.2 基准 | 第39页 |
| 4.4.3 实验结果 | 第39-40页 |
| 4.4.4 集成策略分析 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 基于跨领域迁移学习的新话题评论预测 | 第42-50页 |
| 5.1 概述 | 第42-43页 |
| 5.2 跨领域迁移学习模型 | 第43页 |
| 5.3 模型的预训练和预测 | 第43-44页 |
| 5.4 实验与分析 | 第44-49页 |
| 5.4.1 新话题数据 | 第44-45页 |
| 5.4.2 实验设置 | 第45-46页 |
| 5.4.3 实验参数、指标和执行细节 | 第46-47页 |
| 5.4.4 实验结果 | 第47-48页 |
| 5.4.5 预测指标分析 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 应用系统实例 | 第50-56页 |
| 6.1 概述 | 第50页 |
| 6.2 系统概要设计 | 第50-51页 |
| 6.3 系统功能模块 | 第51页 |
| 6.4 立场分析系统界面展示 | 第51-54页 |
| 6.5 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间发表论文 | 第64-66页 |
| 致谢 | 第66页 |