基于统计方法的中文短文本情感分析
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 本文的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于统计方法的研究现状 | 第12-13页 |
| 1.2.2 基于规则和语义方法的研究现状 | 第13-14页 |
| 1.3 主要研究内容和创新点 | 第14-15页 |
| 1.4 论文结构及安排 | 第15-16页 |
| 第2章 文本情感分析关键技术 | 第16-23页 |
| 2.1 情感分析概念与分类 | 第16-17页 |
| 2.1.1 基本概念 | 第16页 |
| 2.1.2 分类 | 第16-17页 |
| 2.2 分词和新词发现技术 | 第17-18页 |
| 2.3 文本的向量空间模型 | 第18-19页 |
| 2.4 文本分类 | 第19-22页 |
| 2.4.1 基于浅层学习的文本分类 | 第20-21页 |
| 2.4.2 基于深度学习的文本文类 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 情感词典的扩充 | 第23-36页 |
| 3.1 情感词典 | 第23-24页 |
| 3.2 词典扩充工具介绍 | 第24-27页 |
| 3.2.1Word2vec介绍 | 第24-25页 |
| 3.2.2 同义词扩展工具 | 第25-26页 |
| 3.2.3 语义相似度计算 | 第26-27页 |
| 3.3 情感词典扩充流程 | 第27-34页 |
| 3.3.1 数据抓取 | 第27-28页 |
| 3.3.2 新词发现和分词 | 第28-32页 |
| 3.3.3 训练词向量模型 | 第32页 |
| 3.3.4 获得情感词的相关词语 | 第32-33页 |
| 3.3.5 同义词筛选 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 基于支持向量机的情感分析 | 第36-50页 |
| 4.1 构建特征词表 | 第36-41页 |
| 4.1.1 文本预处理 | 第36-39页 |
| 4.1.2 特征选择 | 第39-41页 |
| 4.2 文本的向量表示 | 第41-45页 |
| 4.2.1 特征权重的计算 | 第41-44页 |
| 4.2.2 引入情感加强因子 | 第44-45页 |
| 4.3 分类模型的训练 | 第45页 |
| 4.4 实验及结果分析 | 第45-49页 |
| 4.4.1 评价指标 | 第45-46页 |
| 4.4.2 实验数据 | 第46页 |
| 4.4.3 实验及分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于卷积神经网络的情感分析 | 第50-68页 |
| 5.1 人工神经网络 | 第50-54页 |
| 5.1.1 神经元 | 第50-51页 |
| 5.1.2 神经网络 | 第51-53页 |
| 5.1.3 多层感知机 | 第53-54页 |
| 5.2 卷积神经网络 | 第54-55页 |
| 5.2.1 局部连接 | 第54-55页 |
| 5.2.2 权值共享 | 第55页 |
| 5.3 情感分析具体过程 | 第55-62页 |
| 5.3.1 评论文本的表示 | 第57-58页 |
| 5.3.2 引入情感信息维 | 第58页 |
| 5.3.3 卷积神经网络构建 | 第58-62页 |
| 5.4 实验及分析 | 第62-66页 |
| 5.4.1 评价指标 | 第62页 |
| 5.4.2 实验数据 | 第62页 |
| 5.4.3 实验及分析 | 第62-65页 |
| 5.4.4 深度学习与浅层学习的实验结果对比 | 第65-66页 |
| 5.5 本章小结 | 第66-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间发表论文与研究成果清单 | 第74-75页 |
| 致谢 | 第75页 |
