| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 网络舆情分析国内外研究现状及评述 | 第12-15页 |
| 1.2.2 深度学习情感分类国内外研究现状及评述 | 第15-16页 |
| 1.3 研究内容及创新点 | 第16-21页 |
| 1.3.1 论文研究内容 | 第16-17页 |
| 1.3.2 论文研究路线方法 | 第17-19页 |
| 1.3.3 论文研究创新点 | 第19页 |
| 1.3.4 论文总体框架 | 第19-21页 |
| 第2章 深度学习情感分类的基本理论 | 第21-31页 |
| 2.1 深度学习理论及研究范畴 | 第21-25页 |
| 2.1.1 深度学习概念和特点 | 第21-22页 |
| 2.1.2 深度学习的基本思想 | 第22-25页 |
| 2.2 深度学习情感分类常用模型 | 第25-30页 |
| 2.2.1 基于RAE情感分类模型 | 第25-27页 |
| 2.2.2 基于CNN情感分类模型 | 第27-28页 |
| 2.2.3 基于LSTM情感分类模型 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 基于主题融合的深度学习情感分类方法建模 | 第31-49页 |
| 3.1 深度学习中文文本预处理技术 | 第31-35页 |
| 3.1.1 中文分词技术 | 第31-33页 |
| 3.1.2 词语向量化技术 | 第33-35页 |
| 3.2 基于主题融合深度学习的情感分类算法 | 第35-42页 |
| 3.2.1 面向中文文本的LDA概率主题分析模型 | 第35-36页 |
| 3.2.2 基于主题融合的双向LSTM情感分类算法 | 第36-39页 |
| 3.2.3 基于主题融合的CNN情感分类算法 | 第39-42页 |
| 3.3 实验对比及结果分析 | 第42-48页 |
| 3.3.1 实验数据来源 | 第42-46页 |
| 3.3.2 实验比较分析 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于增强特征提取的深度学习情感分类方法建模 | 第49-55页 |
| 4.1 面向增强技术的中文文本特征提取模型 | 第49-50页 |
| 4.2 基于TB_LSTM+TCNN的情感分类模型 | 第50-53页 |
| 4.3 实验对比及结果分析 | 第53-54页 |
| 4.3.1 实验数据来源 | 第53页 |
| 4.3.2 实验对比分析 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 面向增强特征提取的深度学习多维度舆情分析建模 | 第55-63页 |
| 5.1 基于深度学习的舆情情感分类分析建模 | 第55-56页 |
| 5.2 网络舆情信息采集及处理技术 | 第56-59页 |
| 5.2.1.网络舆情信息来源 | 第56-57页 |
| 5.2.2 网络舆情采集技术 | 第57页 |
| 5.2.3 网络舆情数据处理 | 第57-59页 |
| 5.3 基于增强特征提取的深度学习多维度舆情分析模型 | 第59-62页 |
| 5.3.1 基于深度学习的多维度情感分类 | 第60-61页 |
| 5.3.2 基于ARMA的舆情情感走势预测 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 基于深度学习的网络舆情实证分析 | 第63-73页 |
| 6.1“魏则西事件”网络舆情剖析 | 第63-64页 |
| 6.1.1“魏则西事件”舆情传播分析 | 第63-64页 |
| 6.1.2“魏则西事件”舆情态势分析 | 第64页 |
| 6.2 基于深度学习的“魏则西事件”舆情分析 | 第64-71页 |
| 6.2.1“魏则西事件”舆情数据采集处理 | 第64-65页 |
| 6.2.2 基于深度学习的多维度舆情情感分类 | 第65-71页 |
| 6.3“魏则西事件”网络舆情分析结论 | 第71-72页 |
| 6.3.1 舆情传播解析 | 第71页 |
| 6.3.2 舆情情感解析 | 第71-72页 |
| 6.4 本章小结 | 第72-73页 |
| 第7章 总结与展望 | 第73-75页 |
| 7.1 全文总结 | 第73页 |
| 7.2 研究展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士期间发表论文 | 第80页 |
