| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究意义 | 第14页 |
| 1.3 文本情感分类研究现状 | 第14-16页 |
| 1.3.1 情感分析的研究现状 | 第14-15页 |
| 1.3.2 深度学习的研究现状 | 第15-16页 |
| 1.4 本文工作与组织结构 | 第16-18页 |
| 第二章 文本的情感分类 | 第18-28页 |
| 2.1 文本情感分类的研究进展 | 第18页 |
| 2.2 基于文本特征的情感分类 | 第18-21页 |
| 2.2.1 基于词频的特征 | 第19-20页 |
| 2.2.2 基于文本结构的特征 | 第20页 |
| 2.2.3 基于情感词的特征 | 第20-21页 |
| 2.3 基于神经网络的情感分类 | 第21-26页 |
| 2.3.1 语言模型简介 | 第21-23页 |
| 2.3.2 神经网络语言模型(NNLM) | 第23-24页 |
| 2.3.3 C & W模型 | 第24-25页 |
| 2.3.4 CBOW模型和Skip-gram模型 | 第25-26页 |
| 2.4 文本情感分类的常见指标 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于最大情感置信度的self-training方法 | 第28-42页 |
| 3.1 方法动机 | 第28页 |
| 3.2 方法框架 | 第28-29页 |
| 3.3 情感置信度的计算 | 第29-34页 |
| 3.3.1 情感词、否定词、程度词 | 第29-31页 |
| 3.3.2 情感语义值的计算规则 | 第31-33页 |
| 3.3.3 情感分类值的计算规则 | 第33-34页 |
| 3.3.4 情感置信度的计算规则 | 第34页 |
| 3.4 基于最大情感置信度的self-training算法描述 | 第34-36页 |
| 3.4.1 基础的self-training方法 | 第34-35页 |
| 3.4.2 基于最大情感置信度的self-training算法描述 | 第35-36页 |
| 3.5 实验分析 | 第36-40页 |
| 3.5.1 研究问题 | 第36页 |
| 3.5.2 实验数据集 | 第36-37页 |
| 3.5.3 评价指标 | 第37页 |
| 3.5.4 对比实验 | 第37-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于文本弱标注的词嵌入训练方法 | 第42-57页 |
| 4.1 方法动机 | 第42页 |
| 4.2 方法框架 | 第42-43页 |
| 4.3 文本弱标注 | 第43-44页 |
| 4.4 LAWE网络 | 第44-47页 |
| 4.4.1 基本网络单元 | 第44-45页 |
| 4.4.2 softmax层 | 第45-46页 |
| 4.4.3 损失计算和网络优化 | 第46-47页 |
| 4.5 LAWE验证模块 | 第47-48页 |
| 4.6 实验分析 | 第48-55页 |
| 4.6.1 数据集与预处理 | 第49页 |
| 4.6.2 实验设置 | 第49-51页 |
| 4.6.3 对比实验 | 第51-55页 |
| 4.7 结果分析 | 第55-56页 |
| 4.7.1 LAWE方法的验证模块讨论 | 第55-56页 |
| 4.7.2 LAWE方法的实验分析与讨论 | 第56页 |
| 4.8 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 简历与科研成果 | 第65-66页 |
| 致谢 | 第66-67页 |
