| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 情感检测相关工作 | 第12-15页 |
| 1.2.2 情感生成相关工作 | 第15-17页 |
| 1.3 研究内容和创新点 | 第17-19页 |
| 1.4 本文的组织结构 | 第19-21页 |
| 第二章 生成对抗神经网络 | 第21-35页 |
| 2.1 GAN的基本原理 | 第21-23页 |
| 2.2 基于卷积神经网络的生成对抗模型 | 第23-25页 |
| 2.2.1 DCGAN的构建 | 第23-24页 |
| 2.2.2 生成样本和判别器特征的特点 | 第24-25页 |
| 2.3 基于强化学习的生成对抗模型 | 第25-33页 |
| 2.3.1 生成对抗模型在文本生成上存在的问题 | 第26-27页 |
| 2.3.2 LeakGAN的基本介绍 | 第27-30页 |
| 2.3.3 基于强化学习的对抗神经网络在文本生成上的优势 | 第30-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第三章 基于生成特征的社交媒体情感检测 | 第35-57页 |
| 3.1 基于生成特征的社交媒体情感检测的原理 | 第35-44页 |
| 3.1.1 基于生成特征的社交媒体情感检测的整体框架 | 第35-37页 |
| 3.1.2 文本处理和词特征提取 | 第37-39页 |
| 3.1.3 C-DCGAN特征提取 | 第39-42页 |
| 3.1.4 GRU特征提取 | 第42-44页 |
| 3.1.5 构建基于特征融合的社交媒体情感分类器 | 第44页 |
| 3.2 实验结果与分析 | 第44-49页 |
| 3.2.1 数据集构建和网络构建配置 | 第44-46页 |
| 3.2.2 基于特征融合的情感分类对比实验 | 第46-47页 |
| 3.2.3 特征数据对准确率的影响 | 第47-48页 |
| 3.2.4 特征降维可视化 | 第48-49页 |
| 3.3 应用:基于情感倾向的交通状况分析 | 第49-56页 |
| 3.3.1 基于社交媒体倾向性的交通状况分析 | 第50-52页 |
| 3.3.2 实验结果与分析 | 第52-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 基于对抗神经网络的情感生成 | 第57-75页 |
| 4.1 情感生成的挑战 | 第57-59页 |
| 4.2 基于对抗神经网络的生成带有情感的文本 | 第59-64页 |
| 4.2.1 总体框架 | 第59-61页 |
| 4.2.2 基于情感反馈增强生成文本的情感 | 第61-63页 |
| 4.2.3 基于情感标注增强生成文本的情感 | 第63-64页 |
| 4.3 实验结果与分析 | 第64-72页 |
| 4.3.1 数据集和网络构建配置 | 第64-65页 |
| 4.3.2 测评标准 | 第65-66页 |
| 4.3.3 探究不同的情感反馈策略对情感生成的影响 | 第66-69页 |
| 4.3.4 探究不同的情感标签加入策略对情感生成的影响 | 第69-70页 |
| 4.3.5 探究不同模块对情感生成的影响 | 第70-72页 |
| 4.4 本章小结 | 第72-75页 |
| 第五章 总结与展望 | 第75-79页 |
| 5.1 总结 | 第75-76页 |
| 5.2 当前工作存在不足和展望 | 第76-79页 |
| 参考文献 | 第79-85页 |
| 硕士期间发表的论文 | 第85-87页 |
| 致谢 | 第87页 |
