| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 主要符号表 | 第15-16页 |
| 1 绪论 | 第16-34页 |
| 1.1 研究背景与意义 | 第16-18页 |
| 1.2 国内外相关工作研究进展 | 第18-24页 |
| 1.2.1 迁移学习算法 | 第18-20页 |
| 1.2.2 迁移学习在评论文本上的应用 | 第20-23页 |
| 1.2.3 文本情感分析 | 第23-24页 |
| 1.3 迁移学习相关技术 | 第24-30页 |
| 1.3.1 向量空间模型 | 第24-26页 |
| 1.3.2 支持向量机 | 第26-27页 |
| 1.3.3 深度学习 | 第27-30页 |
| 1.3.4 评价指标 | 第30页 |
| 1.4 面临的问题与挑战 | 第30-31页 |
| 1.5 本文的主要工作 | 第31-33页 |
| 1.6 本文的内容安排 | 第33-34页 |
| 2 面向评论者声誉度的迁移学习研究 | 第34-61页 |
| 2.1 背景介绍及问题描述 | 第34-36页 |
| 2.2 领域适应性研究 | 第36-50页 |
| 2.2.1 问题的定义 | 第36-37页 |
| 2.2.2 数据集 | 第37-39页 |
| 2.2.3 神经网络框架 | 第39-42页 |
| 2.2.4 实验及结果分析 | 第42-50页 |
| 2.3 基于情感距离和领域自适应的评论者声誉度 | 第50-59页 |
| 2.3.1 相关概念 | 第50-52页 |
| 2.3.2 评论者声誉度分析关键技术 | 第52-55页 |
| 2.3.3 总体框架 | 第55页 |
| 2.3.4 实验及结果分析 | 第55-59页 |
| 2.4 本章小结 | 第59-61页 |
| 3 面向产品评论的迁移学习研究 | 第61-73页 |
| 3.1 背景介绍及问题描述 | 第61页 |
| 3.2 问题的定义 | 第61-62页 |
| 3.3 相关概念 | 第62页 |
| 3.4 跨领域情感分类方法 | 第62-65页 |
| 3.4.1 特征选择 | 第62-63页 |
| 3.4.2 Word2Vec | 第63-64页 |
| 3.4.3 算法概述 | 第64-65页 |
| 3.5 实验及结果分析 | 第65-72页 |
| 3.5.1 实验数据 | 第65页 |
| 3.5.2 对比实验 | 第65页 |
| 3.5.3 参数设置 | 第65-66页 |
| 3.5.4 结果分析 | 第66-72页 |
| 3.6 本章小结 | 第72-73页 |
| 4 面向慕课论坛评论的迁移学习研究 | 第73-95页 |
| 4.1 背景介绍及问题描述 | 第73-76页 |
| 4.2 问题的定义 | 第76-77页 |
| 4.3 基于卷积-长短期记忆模型的跨领域慕课论坛评论分类方法 | 第77-81页 |
| 4.4 实验及结果分析 | 第81-94页 |
| 4.4.1 数据集 | 第81-82页 |
| 4.4.2 实验设置 | 第82-83页 |
| 4.4.3 对比实验 | 第83-84页 |
| 4.4.4 结果分析 | 第84-94页 |
| 4.5 本章小结 | 第94-95页 |
| 5 结论与展望 | 第95-98页 |
| 5.1 结论 | 第95-96页 |
| 5.2 创新点 | 第96-97页 |
| 5.3 展望 | 第97-98页 |
| 参考文献 | 第98-108页 |
| 攻读博士学位期间发表学术论文情况 | 第108-109页 |
| 攻读博士学位期间参加科研项目情况 | 第109-110页 |
| 致谢 | 第110-111页 |
| 作者简介 | 第111页 |