| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 引言 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-20页 |
| 1.2.1 情感分析研究现状 | 第14-17页 |
| 1.2.2 词向量研究现状 | 第17-19页 |
| 1.2.3 词向量在情感分析的应用现状 | 第19-20页 |
| 1.3 本文主要研究内容 | 第20-21页 |
| 1.4 本文结构框架 | 第21-22页 |
| 第2章 相关理论与技术 | 第22-37页 |
| 2.1 文本情感分类 | 第22-23页 |
| 2.2 文本预处理 | 第23-25页 |
| 2.2.1 文本分词 | 第23-24页 |
| 2.2.2 去停用词 | 第24-25页 |
| 2.3 文本特征选择 | 第25-27页 |
| 2.3.1 互信息 | 第25页 |
| 2.3.2 文档频率与逆文档频率 | 第25-26页 |
| 2.3.3 卡方统计 | 第26页 |
| 2.3.4 信息增益 | 第26-27页 |
| 2.4 词表示学习 | 第27-33页 |
| 2.4.1 词向量概念 | 第27-28页 |
| 2.4.2 词向量学习方法 | 第28-33页 |
| 2.5 机器学习分类方法 | 第33-35页 |
| 2.6 分类性能的评估指标和方法 | 第35-36页 |
| 2.7 本章小结 | 第36-37页 |
| 第3章 融合情感信息的词向量学习方法 | 第37-49页 |
| 3.1 研究动机 | 第37-38页 |
| 3.2 情感信息的提取 | 第38-39页 |
| 3.3 情感关系约束模型的构建 | 第39-40页 |
| 3.3.1 基于欧式距离的情感关系约束模型(ER) | 第39-40页 |
| 3.3.2 基于余弦夹角的情感关系约束模型(CAR) | 第40页 |
| 3.4 模型的融合 | 第40-41页 |
| 3.4.1 基于欧式距离情感信息融入词向量学习模型 | 第40-41页 |
| 3.4.2 基于余弦夹角的情感信息融入词向量学习模型 | 第41页 |
| 3.5 模型的求解 | 第41-44页 |
| 3.5.1 基于欧式距离的情感信息融入词向量学习模型的求解 | 第41-42页 |
| 3.5.2 基于余弦夹角的情感信息融入词向量学习模型的求解 | 第42-43页 |
| 3.5.3 模型求解算法流程 | 第43-44页 |
| 3.6 词向量的训练过程 | 第44页 |
| 3.7 词语级别情感词向量实验 | 第44-48页 |
| 3.7.1 实验数据集 | 第44-45页 |
| 3.7.2 定量实验 | 第45-47页 |
| 3.7.3 定性实验 | 第47-48页 |
| 3.7.4 结论 | 第48页 |
| 3.8 本章小结 | 第48-49页 |
| 第4章 基于文档特征向量的文本情感分类方法 | 第49-56页 |
| 4.1 基于文档向量的情感分类流程 | 第49-50页 |
| 4.2 文档特征向量的表示方法 | 第50-51页 |
| 4.2.1 基于词向量的累加算法 | 第50-51页 |
| 4.2.2 基于词向量的池化连接算法 | 第51页 |
| 4.3 文档级别情感分类实验 | 第51-55页 |
| 4.3.1 数据集与实验设置 | 第51-52页 |
| 4.3.2 对比模型 | 第52页 |
| 4.3.3 实验结果与分析 | 第52-55页 |
| 4.3.4 结论 | 第55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 基于词向量和CNN的情感分类方法 | 第56-63页 |
| 5.1 研究动机 | 第56-57页 |
| 5.2 基于词向量与CNN的分类模型 | 第57-60页 |
| 5.2.1 卷积神经网络模型 | 第57-59页 |
| 5.2.2 模型特点 | 第59页 |
| 5.2.3 模型训练 | 第59-60页 |
| 5.3 情感分类实验 | 第60-62页 |
| 5.3.1 数据集与实验设置 | 第60页 |
| 5.3.2 对比模型 | 第60-61页 |
| 5.3.3 实验结果与分析 | 第61页 |
| 5.3.4 结论 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63-64页 |
| 6.2 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |
