基于特征极性传递的跨领域情感分类方法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 跨领域情感分类 | 第15页 |
| 1.3 数据流的应用 | 第15-16页 |
| 1.4 本文的主要研究内容 | 第16页 |
| 1.5 本文的组织结构 | 第16-17页 |
| 1.6 本章小结 | 第17-18页 |
| 第二章 跨领域学习与数据流挖掘基本理论 | 第18-33页 |
| 2.1 引言 | 第18页 |
| 2.2 跨领域学习研究现状 | 第18-24页 |
| 2.2.1 跨领域学习基本概念 | 第19-20页 |
| 2.2.2 跨领域学习的研究内容 | 第20-23页 |
| 2.2.3 跨领域学习的研究类型 | 第23-24页 |
| 2.3 跨领域情感分类研究现状 | 第24-26页 |
| 2.3.1 情感分类研究现状 | 第24-25页 |
| 2.3.2 跨领域情感分类研究现状 | 第25-26页 |
| 2.4 数据流挖掘的研究现状 | 第26-31页 |
| 2.4.1 数据流挖掘的研究内容 | 第26-28页 |
| 2.4.2 数据流挖掘的方法 | 第28-31页 |
| 2.5 跨领域学习面临的挑战 | 第31-32页 |
| 2.6 本章总结 | 第32-33页 |
| 第三章 基于词向量特征聚类的跨领域情感分类方法 | 第33-45页 |
| 3.1 引言 | 第33-34页 |
| 3.2 相关工作 | 第34-36页 |
| 3.2.1 词向量 | 第34-35页 |
| 3.2.2 词向量的训练 | 第35-36页 |
| 3.3 本章方法 | 第36-39页 |
| 3.3.1 共享特征的提取 | 第37-38页 |
| 3.3.2 目标领域专有特征簇的极性标注 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-43页 |
| 3.4.1 实验数据集与对比算法 | 第39-40页 |
| 3.4.2 参数设置 | 第40页 |
| 3.4.3 词向量提取共享特征的有效性 | 第40-41页 |
| 3.4.4 词向量聚类的有效性 | 第41-42页 |
| 3.4.5 基于KL距离与COS相似度效果对比 | 第42-43页 |
| 3.4.6 分类精度对比 | 第43页 |
| 3.5 本章总结 | 第43-45页 |
| 第四章 在线数据流自适应分类算法 | 第45-57页 |
| 4.1 引言 | 第45-46页 |
| 4.2 相关工作 | 第46页 |
| 4.2.1 数据流监督学习分类方法 | 第46页 |
| 4.2.2 数据流半监督学习分类方法 | 第46页 |
| 4.3 本章算法 | 第46-52页 |
| 4.3.1 问题定义 | 第47-49页 |
| 4.3.2 数据预处理 | 第49-50页 |
| 4.3.3 共有特征提取 | 第50页 |
| 4.3.4 未标记块共有特征极性的计算 | 第50-51页 |
| 4.3.5 未标记数据专有特征的极性计算 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-56页 |
| 4.4.1 实验数据集与对比算法 | 第52-53页 |
| 4.4.2 参数设置 | 第53页 |
| 4.4.3 标记信息对算法精度的影响 | 第53-54页 |
| 4.4.4 算法对概念漂移的适应性 | 第54-56页 |
| 4.4.5 时间效率对比 | 第56页 |
| 4.5 本章总结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 本文总结 | 第57-58页 |
| 5.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-68页 |
