| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 网评文本情感分析的国内外研究历史与现状 | 第10-11页 |
| 1.3 本文的主要贡献与创新 | 第11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 第二章 家电企业网评文本信息抽取 | 第13-24页 |
| 2.1 信息抽取多种方法的综合介绍 | 第13-14页 |
| 2.2 网评文本信息抽取三种基本方法 | 第14-16页 |
| 2.2.1 基于正则表达式的信息抽取 | 第14-15页 |
| 2.2.2 基于Lxml的信息抽取 | 第15页 |
| 2.2.3 基于XPATH的信息抽取 | 第15-16页 |
| 2.3 Scrapy框架研究 | 第16-23页 |
| 2.3.1 Scrapy介绍 | 第16页 |
| 2.3.2 Scrapy信息抽取设计原理 | 第16-18页 |
| 2.3.3 Scrapy信息抽取设计 | 第18-21页 |
| 2.3.4 网评文本信息抽取设计 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于RNN(循环神经网络)的网评文本情感分析算法 | 第24-42页 |
| 3.1 概述 | 第24页 |
| 3.2 RNN算法设计原理 | 第24-26页 |
| 3.3 RNN算法设计结构 | 第26-27页 |
| 3.4 基于RNN的网评文本情感分析算法设计 | 第27-41页 |
| 3.4.1 数据预处理 | 第27-28页 |
| 3.4.2 词向量生成原理 | 第28-29页 |
| 3.4.3 Embedding设计原理 | 第29-32页 |
| 3.4.4 LSTM设计原理 | 第32-33页 |
| 3.4.5 算法设计与分析 | 第33-41页 |
| 3.4.5.1 基于RNN的算法设计 | 第34-35页 |
| 3.4.5.2 改进的基于RNN的算法设计分析 | 第35-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于XGBoost的网评文本情感分析算法 | 第42-56页 |
| 4.1 概述 | 第42页 |
| 4.2 基于TFIDF算法的特征提取 | 第42-44页 |
| 4.2.1 TFIDF算法设计原理 | 第42-43页 |
| 4.2.2 TFIDF算法设计 | 第43-44页 |
| 4.3 XGBoost算法设计原理 | 第44-47页 |
| 4.4 XGBoost算法设计 | 第47-55页 |
| 4.4.1 XGBoost算法流程设计 | 第47页 |
| 4.4.2 XGBoost算法参数设计 | 第47-50页 |
| 4.4.3 基于XGBoost的网评文本情感分析算法设计 | 第50-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 基于lightGBM融合的网评文本情感分析算法 | 第56-76页 |
| 5.1 概述 | 第56页 |
| 5.2 LogisticRegression算法设计 | 第56-58页 |
| 5.2.1 LogisticRegression算法设计原理 | 第56-57页 |
| 5.2.2 LogisticRegression算法设计 | 第57-58页 |
| 5.3 lightGBM算法设计原理 | 第58-59页 |
| 5.4 算法设计与分析 | 第59-74页 |
| 5.4.1 基于lightGBM算法设计 | 第59-61页 |
| 5.4.2 改进的基于lightGBM融合的算法设计分析 | 第61-74页 |
| 5.4.2.1 基于lightGBM算法流程设计 | 第62-63页 |
| 5.4.2.2 基于lightGBM算法参数设计 | 第63-66页 |
| 5.4.2.3 基于lightGBM的网评文本情感分析的算法设计分析 | 第66-74页 |
| 5.5 本章小结 | 第74-76页 |
| 第六章 全文总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76页 |
| 6.2 后续工作展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间取得的成果 | 第82页 |
