| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于词典与规则的文本情感分析方法 | 第10-11页 |
| 1.2.2 基于机器学习的文本情感分析方法 | 第11页 |
| 1.2.3 基于深度学习的文本情感分析方法 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 文本情感分析相关理论介绍 | 第15-31页 |
| 2.1 短文本情感倾向性分析概述 | 第15-16页 |
| 2.2 数据预处理 | 第16-18页 |
| 2.2.1 数据清洗和分词 | 第16-18页 |
| 2.2.2 停用词过滤 | 第18页 |
| 2.3 文本向量化表示 | 第18-24页 |
| 2.3.1 基于神经网络的语言模型 | 第19-21页 |
| 2.3.2 CBOW文本表示模型 | 第21-22页 |
| 2.3.3 Skip-gram文本表示模型 | 第22-23页 |
| 2.3.4 词向量训练 | 第23-24页 |
| 2.4 深度学习相关技术 | 第24-29页 |
| 2.4.1 卷积神经网络 | 第25-26页 |
| 2.4.2 循环神经网络 | 第26-27页 |
| 2.4.3 LSTM神经网络 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 基于多粒度融合的卷积神经网络文本情感分析算法 | 第31-45页 |
| 3.1 多粒度融合的卷积神经网络算法整体架构 | 第31-33页 |
| 3.2 情感分析算法设计 | 第33-37页 |
| 3.2.1 多粒度特征融合 | 第33-34页 |
| 3.2.2 特征提取 | 第34-35页 |
| 3.2.3 特征降维 | 第35-36页 |
| 3.2.4 分类器 | 第36页 |
| 3.2.5 算法整体描述 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-44页 |
| 3.3.1 实验语料数据 | 第37页 |
| 3.3.2 实验评价指标 | 第37-38页 |
| 3.3.3 算法参数对比实验 | 第38-41页 |
| 3.3.4 模型对比实验 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于双向LSTM和注意力机制的文本情感分析算法 | 第45-57页 |
| 4.1 基于CBLSTM-Attention算法整体架构 | 第45-47页 |
| 4.2 情感分析算法设计 | 第47-52页 |
| 4.2.1 CNN结合BiLSTM的特征提取方法 | 第47-48页 |
| 4.2.2 基于门控机制的注意力算法 | 第48-51页 |
| 4.2.3 算法整体描述 | 第51-52页 |
| 4.3 实验结果与分析 | 第52-55页 |
| 4.3.1 实验语料数据与评价指标 | 第52页 |
| 4.3.2 算法参数设计 | 第52页 |
| 4.3.3 模型对比实验 | 第52-55页 |
| 4.4 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间所发表的学术论文 | 第63-65页 |
| 致谢 | 第65页 |
