基于LSTM和注意力机制的情感分析服务设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 项目背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究的工作 | 第15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 技术综述 | 第16-30页 |
| 2.1 词向量 | 第16-19页 |
| 2.2 循环神经网络 | 第19-23页 |
| 2.2.1 单向循环神经网络 | 第19-20页 |
| 2.2.2 双向循环神经网络 | 第20-21页 |
| 2.2.3 长短期记忆机制 | 第21-23页 |
| 2.3 注意力机制 | 第23-27页 |
| 2.3.1 编码-解码模型 | 第23-24页 |
| 2.3.2 注意力机制 | 第24-26页 |
| 2.3.3 自注意力机制 | 第26-27页 |
| 2.4 其他相关技术 | 第27-29页 |
| 2.4.1 其他模型 | 第27-28页 |
| 2.4.2 深度学习平台Tensorflow | 第28页 |
| 2.4.3 Docker容器技术 | 第28页 |
| 2.4.4 Kubernetes集群环境 | 第28-29页 |
| 2.5 技术选型 | 第29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 情感分析服务分析与设计 | 第30-43页 |
| 3.1 需求分析 | 第30-35页 |
| 3.1.1 需求概述 | 第30-31页 |
| 3.1.2 功能需求 | 第31-32页 |
| 3.1.3 用例描述 | 第32-35页 |
| 3.2 服务总体设计与模块设计 | 第35-39页 |
| 3.2.1 服务总体设计 | 第35-36页 |
| 3.2.2 预处理模块设计 | 第36-37页 |
| 3.2.3 深度网络模型模块设计 | 第37-38页 |
| 3.2.4 情感分析模块设计 | 第38-39页 |
| 3.3 情感分析深度网络模型设计 | 第39-42页 |
| 3.3.1 模型概述 | 第39页 |
| 3.3.2 输入层 | 第39-40页 |
| 3.3.3 网络层 | 第40-41页 |
| 3.3.4 分类层 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 情感分析服务的实现 | 第43-67页 |
| 4.1 预处理模块实现 | 第43-45页 |
| 4.1.1 数据集概述 | 第43页 |
| 4.1.2 数据处理及分词 | 第43-44页 |
| 4.1.3 情感词向量 | 第44-45页 |
| 4.2 深度网络模型部分的实现 | 第45-54页 |
| 4.2.1 情感分析深度网络模型的实现 | 第45-50页 |
| 4.2.2 模型训练与测试的实现 | 第50-52页 |
| 4.2.3 基准模型的实现 | 第52-54页 |
| 4.3 情感分析模型服务的实现 | 第54-56页 |
| 4.4 实验与结果分析 | 第56-60页 |
| 4.4.1 模型训练与测试结果 | 第56-57页 |
| 4.4.2 与基准模型的对比实验 | 第57-58页 |
| 4.4.3 可视化实验 | 第58-60页 |
| 4.5 情感分析服务部署与运行 | 第60-66页 |
| 4.5.1 构建Docker镜像 | 第60-61页 |
| 4.5.2 部署到Kubernetes集群 | 第61-65页 |
| 4.5.3 情感分析服务运行 | 第65-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 进一步工作展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-74页 |
