基于领域词典与机器学习的中文评论情感分析
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容及章节安排 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-26页 |
| 2.1 情感分析概述 | 第14-15页 |
| 2.2 文本预处理 | 第15-16页 |
| 2.2.1 中文分词 | 第15-16页 |
| 2.2.2 词性标注 | 第16页 |
| 2.3 文本表示与特征选取 | 第16-19页 |
| 2.3.1 文本表示模型 | 第16-18页 |
| 2.3.2 文本的特征选取 | 第18-19页 |
| 2.4 情感分析方法 | 第19-25页 |
| 2.4.1 基于词典方法 | 第19-20页 |
| 2.4.2 经典机器学习方法 | 第20-23页 |
| 2.4.3 人工神经网络方法 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于SO-PMI算法的情感词典扩充 | 第26-35页 |
| 3.1 情感分析中的SO-PMI算法 | 第26-28页 |
| 3.1.1 互信息算法 | 第26-27页 |
| 3.1.2 情感倾向点互信息算法 | 第27-28页 |
| 3.2 情感词典的构建 | 第28-30页 |
| 3.2.1 基础情感词典 | 第28页 |
| 3.2.2 领域词典 | 第28-29页 |
| 3.2.3 程度副词与否定词典 | 第29-30页 |
| 3.3 基于词典的情感分析计算方法 | 第30-32页 |
| 3.3.1 数据集预处理 | 第30-31页 |
| 3.3.2 情感权值计算 | 第31-32页 |
| 3.4 实验 | 第32-34页 |
| 3.4.1 实验方法及流程 | 第32-33页 |
| 3.4.2 实验结果分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 中文词向量的构建方法 | 第35-46页 |
| 4.1 词向量的构建 | 第35-37页 |
| 4.1.1 数据集预处理 | 第35页 |
| 4.1.2 常用转换方法 | 第35-37页 |
| 4.2 基于Word2Vec的词向量训练 | 第37-39页 |
| 4.2.1 CBoW与Skip-gram | 第37-38页 |
| 4.2.2 文本向量化及特征选择 | 第38-39页 |
| 4.3 情感分析模型构建 | 第39-41页 |
| 4.3.1 词向量训练 | 第39-40页 |
| 4.3.2 SVM算法 | 第40-41页 |
| 4.4 实验 | 第41-45页 |
| 4.4.1 实验步骤 | 第41-44页 |
| 4.4.2 实验数据评价 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于LSTM循环网络的中文情感分析 | 第46-55页 |
| 5.1 循环神经网络 | 第46-49页 |
| 5.1.1 RNNs原理及模型结构 | 第46-48页 |
| 5.1.2 长短期记忆网络模型 | 第48-49页 |
| 5.2 构建LSTM中文语句级分析模型 | 第49-52页 |
| 5.2.1 Tensorflow与Keras工具 | 第49-51页 |
| 5.2.2 情感分析模型搭建 | 第51-52页 |
| 5.3 实验 | 第52-54页 |
| 5.3.1 实验方法及过程 | 第52-53页 |
| 5.3.2 结果分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55-56页 |
| 6.2 未来工作展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |
