| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景以及研究意义 | 第8-9页 |
| 1.2 文献综述 | 第9-12页 |
| 1.2.1 情感分析概述 | 第9-10页 |
| 1.2.2 国外研究成果 | 第10-11页 |
| 1.2.3 国内研究成果 | 第11-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 文本情感分析的主要方法介绍 | 第14-29页 |
| 2.1 基于情感词典的分析方法 | 第15-20页 |
| 2.1.1 中文分词技术介绍 | 第16-18页 |
| 2.1.2 情感词典介绍 | 第18-20页 |
| 2.2 基于机器学习的分析方法 | 第20-29页 |
| 2.2.1 机器学习方法概述 | 第21-22页 |
| 2.2.2 几类常用的机器学习方法 | 第22-29页 |
| 第三章 OTA网站评论文本信息的获取 | 第29-36页 |
| 3.1 OTA网站评论文本相关概念介绍 | 第29-31页 |
| 3.1.1 OTA网站 | 第29-30页 |
| 3.1.2 OTA网站评论文本 | 第30-31页 |
| 3.2 目标网站以及文本评论信息的确定 | 第31-32页 |
| 3.3 文本信息的获取——基于PYTHON网络爬虫技术 | 第32-36页 |
| 第四章 基于情感词典方法的分析 | 第36-44页 |
| 4.1 OTA网站评论文本情感词典的构建 | 第36-38页 |
| 4.1.1 评价要素词库的构建 | 第36-37页 |
| 4.1.2 情感词库的构建 | 第37-38页 |
| 4.2 评论文本预处理 | 第38-42页 |
| 4.3 计算各类情感得分 | 第42-44页 |
| 第五章 基于LSA与DBN的深度学习模型的构建 | 第44-56页 |
| 5.1 训练集的构建 | 第44-46页 |
| 5.2 LSA（潜在语义分析）方法的介绍 | 第46-47页 |
| 5.3 通过LSA重构文本特征矩阵 | 第47-50页 |
| 5.4 基于深度信念网络（DBN）回归模型的构建 | 第50-52页 |
| 5.4.1 深度信念网络（DBN） | 第50-52页 |
| 5.4.2 DBN模型构建 | 第52页 |
| 5.5 对比实验设计与验证 | 第52-55页 |
| 5.5.1 实验数据的选取 | 第53页 |
| 5.5.2 实验对照组设计 | 第53页 |
| 5.5.3 实验评价 | 第53-54页 |
| 5.5.4 实验过程实现 | 第54页 |
| 5.5.5 实验结果及分析 | 第54-55页 |
| 5.6 模型的现实意义及其应用 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 未来工作展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 在读期间完成的研究成果 | 第61页 |