基于注意模型深度学习算法的股评文本倾向性研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外现状 | 第9-11页 |
| 1.3 文本情感分析主要任务 | 第11-13页 |
| 1.4 论文的主要工作和贡献 | 第13页 |
| 1.5 论文组织 | 第13-15页 |
| 第二章 文本分类步骤与方法 | 第15-28页 |
| 2.1 文本表示模型和特征选择 | 第15页 |
| 2.2 文本预处理 | 第15-18页 |
| 2.3 文本编码 | 第18-22页 |
| 2.4 常用文本分类器 | 第22-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 改进的注意力文本分类器 | 第28-52页 |
| 3.1 注意力模型 | 第28-32页 |
| 3.2 CNN-LSTM分类思想 | 第32-34页 |
| 3.3 基于注意力模型的CLSTM改进算法 | 第34-47页 |
| 3.3.1 ACLSTM改进模型介绍 | 第34-38页 |
| 3.3.2 实验结果分析 | 第38-47页 |
| 3.4 基于加权特征的注意力模型改进算法 | 第47-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于实际股评与所得的分类结果混合预测 | 第52-59页 |
| 4.1 数据集准备 | 第52-56页 |
| 4.1.1 爬虫设计 | 第52-54页 |
| 4.1.2 数据预处理 | 第54-56页 |
| 4.1.3 数据标注 | 第56页 |
| 4.2 结果分析 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位发表的论文 | 第67-68页 |
