| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义及目的 | 第11-12页 |
| 1.3 研究现状 | 第12-13页 |
| 1.4 本文工作 | 第13-15页 |
| 第2章 微博文本情感分类相关技术 | 第15-25页 |
| 2.1 文本预处理 | 第15-18页 |
| 2.2 文本表示模型 | 第18-20页 |
| 2.2.1 向量空间模型 | 第18-20页 |
| 2.2.2 布尔模型 | 第20页 |
| 2.2.3 概率主题模型简介 | 第20页 |
| 2.3 深度学习常用的模型和方法 | 第20-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于情感词典的微博文本情感分类 | 第25-35页 |
| 3.1 句子自动分词 | 第25-26页 |
| 3.2 微博情感词典构建 | 第26-28页 |
| 3.2.1 程度副词词典 | 第26-27页 |
| 3.2.2 否定词典 | 第27页 |
| 3.2.3 连词词表 | 第27-28页 |
| 3.2.4 基础情感词表 | 第28页 |
| 3.3 基于PMI-IR算法的微博情感词典自动扩充 | 第28-31页 |
| 3.3.1 概述 | 第28-29页 |
| 3.3.2 基于PMI-IR算法的词语情感极性判别 | 第29-31页 |
| 3.4 微博文本情感分类 | 第31-32页 |
| 3.5 实验结果和分析 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于深度学习的微博文本情感分类 | 第35-51页 |
| 4.1 文本深度表示 | 第35-38页 |
| 4.2 提取长短期记忆模型LSTM | 第38-46页 |
| 4.2.1 Recurrent Neural Networks | 第38-40页 |
| 4.2.2 长期依赖 | 第40-41页 |
| 4.2.3 LSTM网络 | 第41-43页 |
| 4.2.4 LSTM核心思想 | 第43-46页 |
| 4.3 基于LSTM模型的文本情感分类 | 第46-48页 |
| 4.3.1 标注语料库收集 | 第46-47页 |
| 4.3.2 搭建LSTM模型 | 第47-48页 |
| 4.4 实验结果和分析 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 结论与展望 | 第51-53页 |
| 5.1 结论 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 作者简介及在学期间所取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |
