| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 中文情感分析研究现状 | 第10-12页 |
| 1.2.1 情感定性分类和情感定量分析 | 第10页 |
| 1.2.2 情感分类粒度 | 第10-11页 |
| 1.2.3 情感分类对象 | 第11-12页 |
| 1.3 情感词研究现状 | 第12-16页 |
| 1.3.1 情感词常用研究方法 | 第12-13页 |
| 1.3.2 词向量和情感词向量 | 第13-16页 |
| 1.4 主要研究内容及论文章节安排 | 第16-18页 |
| 第二章 相关理论 | 第18-29页 |
| 2.1 词向量及情感词向量生成模型 | 第18-25页 |
| 2.1.1 word2vec模型 | 第18-19页 |
| 2.1.2 Doc2vector模型 | 第19-20页 |
| 2.1.3 递归神经网络 | 第20-22页 |
| 2.1.4 动态卷积神经网络 | 第22-24页 |
| 2.1.5 卷积神经网络CNN | 第24-25页 |
| 2.2 词语相似度计算方法 | 第25-28页 |
| 2.2.1 基于知识库的词语相似度计算方法 | 第26页 |
| 2.2.2 向量空间模型中词语相似度计算 | 第26-27页 |
| 2.2.3 基于大规模语料的统计方法 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 情感词向量生成模型研究 | 第29-40页 |
| 3.1 系统工作流程 | 第29页 |
| 3.2 语料预处理 | 第29-33页 |
| 3.2.1 微博文本内容提取 | 第30-31页 |
| 3.2.2 表情符号置信度判定及弱监督微博样本情感极性判定 | 第31-32页 |
| 3.2.3 训练语料及测试语料的构建 | 第32页 |
| 3.2.4 预训练得到语义向量 | 第32-33页 |
| 3.3 基于DCNN的情感词向量生成模型 | 第33-35页 |
| 3.4 基于CNN的情感词向量生成模型 | 第35-36页 |
| 3.5 基于横纵卷积相结合的CNN情感词向量生成模型 | 第36-38页 |
| 3.6 基于字向量的拼接词向量模型 | 第38-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第四章 情感词向量质量判定 | 第40-52页 |
| 4.1 语言学角度判定情感词向量质量 | 第40-45页 |
| 4.1.1 根据词语相似度计算判定情感词向量质量 | 第40-44页 |
| 4.1.2 情感词向量结果展示 | 第44-45页 |
| 4.2 提升现有模型情感分类效果 | 第45-51页 |
| 4.2.1 提高深度学习模型情感分类准确率 | 第45-46页 |
| 4.2.2 提高传统机器学习模型情感分类效果 | 第46-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 情感词向量应用 | 第52-58页 |
| 5.1 基于情感词向量的句子级情感分类 | 第52-56页 |
| 5.1.1 单领域评论语料情感分类 | 第53-54页 |
| 5.1.2 词向量用于浅层机器学习模型 | 第54-56页 |
| 5.2 判定词语的情感极性 | 第56-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 总结与工作展望 | 第58-60页 |
| 6.1 本文总结 | 第58-59页 |
| 6.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |