| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.1.1 文本情感分析 | 第15-16页 |
| 1.1.2 文本数据增强 | 第16页 |
| 1.1.3 研究难点 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-20页 |
| 1.2.1 基于情感词典的方案 | 第17-18页 |
| 1.2.2 基于特征工程的统计机器学习方案 | 第18-19页 |
| 1.2.3 基于深度神经网络的方案 | 第19-20页 |
| 1.3 本文研究内容 | 第20-21页 |
| 1.4 本文组织结构 | 第21-22页 |
| 第二章 文本情感分析相关技术介绍 | 第22-35页 |
| 2.1 文本情感分析 | 第22页 |
| 2.1.1 问题定义 | 第22页 |
| 2.2 文本预处理 | 第22-25页 |
| 2.2.1 中文分词 | 第22-23页 |
| 2.2.2 词性标注 | 第23页 |
| 2.2.3 依存句法分析 | 第23-25页 |
| 2.2.4 去停用词 | 第25页 |
| 2.3 基于机器学习情感分析原理 | 第25-27页 |
| 2.3.1 基于机器学习的情感分析流程 | 第25-26页 |
| 2.3.2 支持向量机(SVM)的原理 | 第26-27页 |
| 2.4 基于深度学习的情感分析的原理 | 第27-33页 |
| 2.4.1 人工神经网络的原理 | 第27-30页 |
| 2.4.2 循环神经网络原理 | 第30-32页 |
| 2.4.3 卷积神经网络原理 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于多粒度文本数据增强的情感分析研究 | 第35-49页 |
| 3.1 文本数据增强的意义 | 第35页 |
| 3.2 词语级文本数据增强 | 第35-38页 |
| 3.2.1 同义词变换 | 第35页 |
| 3.2.2 词向量变换 | 第35-36页 |
| 3.2.3 平移操作 | 第36页 |
| 3.2.4 噪音引入 | 第36-38页 |
| 3.3 短语级文本数据增强 | 第38-39页 |
| 3.3.1 状中短语 | 第38页 |
| 3.3.2 定中短语 | 第38-39页 |
| 3.4 句子级文本数据增强 | 第39页 |
| 3.5 基于GAN的文本数据增强 | 第39-41页 |
| 3.6 实验环境与评价指标 | 第41-45页 |
| 3.6.1 实验环境 | 第41-42页 |
| 3.6.2 实验评价指标 | 第42页 |
| 3.6.3 实验语料 | 第42-45页 |
| 3.7 基于多粒度文本数据增强的结果与分析 | 第45-48页 |
| 3.7.1 词级别数据增强方案探索 | 第45-46页 |
| 3.7.2 多粒度数据增强方案实验结果与分析 | 第46-48页 |
| 3.8 本章小结 | 第48-49页 |
| 第四章 基于混合神经网络模型的文本情感分析的研究 | 第49-58页 |
| 4.1 混合神经网络模型 | 第49-53页 |
| 4.1.1 卷积通道(Convolutional Channel,CC) | 第50-51页 |
| 4.1.2 长短期记忆通道(Long Short Term Channel,LC) | 第51-52页 |
| 4.1.3 特征融合 | 第52-53页 |
| 4.2 基于混合神经网络模型的结果与分析 | 第53页 |
| 4.3 基于数据增强与混合神经网络模型的结果与分析 | 第53-55页 |
| 4.4 同任务的结果对比与分析 | 第55-56页 |
| 4.5 跨数据集的结果对比与分析 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第66-67页 |
