| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 相关研究工作 | 第16-20页 |
| 1.3 本文研究内容 | 第20-22页 |
| 1.4 本文组织结构 | 第22-24页 |
| 第二章 相关概念 | 第24-42页 |
| 2.1 情感分析 | 第24-25页 |
| 2.2 基于属性的情感分析 | 第25-26页 |
| 2.3 特征工程 | 第26-28页 |
| 2.4 序列标注问题 | 第28-29页 |
| 2.5 常见的传统机器学习算法 | 第29-33页 |
| 2.5.1 逻辑回归算法 | 第29-31页 |
| 2.5.2 支持向量机算法 | 第31-32页 |
| 2.5.3 条件随机场 | 第32-33页 |
| 2.6 深度学习相关技术 | 第33-40页 |
| 2.6.1 词向量 | 第34-37页 |
| 2.6.2 卷积神经网络 | 第37-38页 |
| 2.6.3 循环神经网络 | 第38-40页 |
| 2.7 模型评估方法 | 第40-41页 |
| 2.8 本章小结 | 第41-42页 |
| 第三章 构建多维度的中文情感词典 | 第42-52页 |
| 3.1 研究动机 | 第42-44页 |
| 3.2 多维度的中文词语情感强度预测模型 | 第44-46页 |
| 3.2.1 词向量训练数据收集与预处理 | 第44-45页 |
| 3.2.2 词向量训练 | 第45-46页 |
| 3.2.3 机器学习算法 | 第46页 |
| 3.3 数据集与实验设置 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于推文的情感立场分类 | 第52-66页 |
| 4.1 研究背景和动机 | 第52-53页 |
| 4.2 基于推文的情感立场分类模型 | 第53-58页 |
| 4.2.1 数据预处理 | 第53-55页 |
| 4.2.2 多样化特征抽取 | 第55-58页 |
| 4.2.3 机器学习算法 | 第58页 |
| 4.3 数据集与实验设置 | 第58-59页 |
| 4.4 实验结果与分析 | 第59-64页 |
| 4.4.1 特征选择与算法选择 | 第60-63页 |
| 4.4.2 与其他系统的对比结果 | 第63-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第五章 属性情感词向量的深度学习 | 第66-73页 |
| 5.1 研究动机 | 第66页 |
| 5.2 属性情感词向量的深度学习模型 | 第66-69页 |
| 5.3 词向量训练数据采集与词向量训练 | 第69-71页 |
| 5.4 定性实验与结果分析 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 基于联合学习的端到端细粒度属性情感分析研究 | 第73-95页 |
| 6.1 研究动机 | 第73-74页 |
| 6.2 基于联合学习的细粒度属性情感分析方法 | 第74-81页 |
| 6.2.1 问题定义与联合标签 | 第74-75页 |
| 6.2.2 两个联合学习神经网络模型 | 第75-81页 |
| 6.3 英文商品评论数据集的实验 | 第81-89页 |
| 6.3.1 数据集与评估方式 | 第82-83页 |
| 6.3.2 实验设置及基准模型 | 第83-85页 |
| 6.3.3 实验结果与分析 | 第85-89页 |
| 6.3.4 实验总结 | 第89页 |
| 6.4 中文天猫商品评论数据集的实验 | 第89-94页 |
| 6.4.1 数据集与实验设置 | 第89-91页 |
| 6.4.2 属性情感分析实验结果与分析 | 第91-93页 |
| 6.4.3 属性情感分析的聚类实验结果 | 第93页 |
| 6.4.4 实验总结 | 第93-94页 |
| 6.5 本章小结 | 第94-95页 |
| 第七章 总结及展望 | 第95-97页 |
| 7.1 本文总结 | 第95-96页 |
| 7.2 未来的工作 | 第96-97页 |
| 攻读学位期间发表的学术论文以及学术成果 | 第97-98页 |
| 参加国际竞赛获奖情况 | 第98-99页 |
| 参考文献 | 第99-107页 |
| 致谢 | 第107页 |