| 摘要 | 第4-5页 |
| 英文摘要 | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 文献综述 | 第11-18页 |
| 1.2.1 One-hot Representation | 第11-12页 |
| 1.2.2 Distributed Representation | 第12-14页 |
| 1.2.3 社交网络情感分析 | 第14-15页 |
| 1.2.4 文章研究特点 | 第15-17页 |
| 1.2.5 本文的组织结构 | 第17-18页 |
| 第二章 方法介绍 | 第18-28页 |
| 2.1 词袋模型 | 第18-19页 |
| 2.2 n-gram模型 | 第19-21页 |
| 2.3 神经网络概率模型 | 第21-23页 |
| 2.4 Hierarchical Softmax算法 | 第23-26页 |
| 2.4.1 Huffman树 | 第23-25页 |
| 2.4.2 基本思想 | 第25-26页 |
| 2.5 Negative Sampling算法 | 第26-28页 |
| 2.5.1 负采样子集 | 第27-28页 |
| 第三章 网络段落向量模型和算法 | 第28-38页 |
| 3.1 Network PV-DM模型 | 第28-32页 |
| 3.1.1 基于Hierarchical Softmax算法 | 第29-30页 |
| 3.1.2 基于Negative Sampling算法 | 第30-32页 |
| 3.2 Network PV-DBOW模型 | 第32-38页 |
| 3.2.1 基于Hierarchical Softmax算法 | 第33-35页 |
| 3.2.2 基于Negative Sampling算法 | 第35-38页 |
| 第四章 模拟实验 | 第38-44页 |
| 4.1 实验数据集 | 第38页 |
| 4.2 描述统计分析 | 第38-40页 |
| 4.3 模型准确性分析 | 第40-44页 |
| 第五章 网络段落向量模型的应用 | 第44-50页 |
| 5.1 背景介绍 | 第44页 |
| 5.2 数据描述 | 第44-46页 |
| 5.3 模型设定 | 第46-47页 |
| 5.4 模型估计结果 | 第47-50页 |
| 第六章 总结 | 第50-54页 |
| 6.1 论文总结 | 第50-51页 |
| 6.2 存在的问题与未来展望 | 第51-54页 |
| 参考文献 | 第54-58页 |
| 硕士期间发表的论文 | 第58-60页 |
| 致谢 | 第60页 |
