基于深度神经网络的电商评论情感分析研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状与发展趋势 | 第10-14页 |
| 1.2.1 基于情感词典的文本情感分析方法 | 第10-11页 |
| 1.2.2 基于机器学习的文本情感分析方法 | 第11-13页 |
| 1.2.3 基于深度学习的文本情感分类方法 | 第13-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.3.1 工程工作 | 第14页 |
| 1.3.2 研究工作 | 第14页 |
| 1.4 全文内容安排 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 传统的情感分析相关理论 | 第16-21页 |
| 2.2.1 情感词典的构造相关技术 | 第16-17页 |
| 2.2.2 基于情感词典与机器学习的情感分类 | 第17-20页 |
| 2.2.3 关于商品评论的机器学习文本情感分类 | 第20-21页 |
| 2.3 基于深度学习的情感分析技术 | 第21-25页 |
| 2.3.1 卷积神经网络 | 第22-23页 |
| 2.3.2 循环神经网络 | 第23页 |
| 2.3.3 注意力机制 | 第23-25页 |
| 2.4 网络爬虫相关技术 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于Scrapy的爬虫设计 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 爬虫介绍 | 第26-27页 |
| 3.3 Scrapy框架介绍 | 第27-29页 |
| 3.3.1 Scrapy框架组件 | 第28-29页 |
| 3.3.2 Scrapy框架数据流图 | 第29页 |
| 3.4 基于Scrapy框架的定制工作 | 第29-31页 |
| 3.4.1 动态代理池 | 第29-30页 |
| 3.4.2 分布式消息队列 | 第30-31页 |
| 3.4.3 增量抓取 | 第31页 |
| 3.5 页面的结构数据分析 | 第31-33页 |
| 3.5.1 网页编码 | 第31-32页 |
| 3.5.2 数据格式 | 第32页 |
| 3.5.3 URL格式 | 第32-33页 |
| 3.6 模拟登陆与数据解析 | 第33-35页 |
| 3.6.1 模拟登陆 | 第33-34页 |
| 3.6.2 数据的解析与存储 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第四章 基于卷积神经网络的情感分析 | 第36-48页 |
| 4.1 引言 | 第36页 |
| 4.2 卷积神经网络 | 第36-37页 |
| 4.3 基于CNN的情感分类模型 | 第37-39页 |
| 4.3.1 模型的输入处理 | 第37-38页 |
| 4.3.2 模型训练 | 第38-39页 |
| 4.3.3 模型设计 | 第39页 |
| 4.4 实验设计 | 第39-44页 |
| 4.4.1 实验数据和实验环境 | 第39-40页 |
| 4.4.2 实验流程图 | 第40-44页 |
| 4.5 实验评估与结果分析 | 第44-47页 |
| 4.5.1 评估标准 | 第44-45页 |
| 4.5.2 实验结果分析 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 tCNN-AttBiGRU模型 | 第48-57页 |
| 5.1 引言 | 第48页 |
| 5.2 模型结构 | 第48-51页 |
| 5.2.1 GRU模型介绍 | 第48-49页 |
| 5.2.2 含注意力机制的双向GRU模型 | 第49-51页 |
| 5.2.3 tCNN-AttBiGRU整体结构 | 第51页 |
| 5.3 实验设计 | 第51-55页 |
| 5.3.1 实验数据 | 第51-53页 |
| 5.3.2 实验流程 | 第53-55页 |
| 5.4 实验结果分析 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |
