| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第15-24页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外相关研究 | 第17-20页 |
| 1.2.1 无监督学习情感分类和半监督学习情感分类 | 第17-18页 |
| 1.2.2 监督学习情感分类 | 第18-19页 |
| 1.2.3 深度学习情感分类 | 第19-20页 |
| 1.3 本文研究内容和贡献 | 第20-22页 |
| 1.4 本文结构 | 第22-24页 |
| 第二章 相关工作 | 第24-36页 |
| 2.1 文本的表示方法 | 第24-25页 |
| 2.2 词向量训练模型 | 第25-27页 |
| 2.2.1 CBOW模型 | 第26-27页 |
| 2.2.2 Skip-Gram模型 | 第27页 |
| 2.3 情感词典 | 第27-28页 |
| 2.4 监督学习情感分类 | 第28-31页 |
| 2.4.1 最大熵模型 | 第28-29页 |
| 2.4.2 朴素贝叶斯 | 第29-30页 |
| 2.4.3 支持向量机 | 第30-31页 |
| 2.5 文本特征选择 | 第31-32页 |
| 2.6 损失函数 | 第32-33页 |
| 2.7 数据集与实验环境 | 第33-35页 |
| 2.7.1 数据集 | 第33-34页 |
| 2.7.2 实验环境 | 第34-35页 |
| 2.8 本章小结 | 第35-36页 |
| 第三章 数据预处理和词向量填充算法 | 第36-47页 |
| 3.1 研究动机 | 第36页 |
| 3.2 爬虫算法 | 第36-41页 |
| 3.2.1 网络爬虫简介 | 第36-37页 |
| 3.2.2 爬虫框架 | 第37页 |
| 3.2.3 分布式爬虫算法 | 第37-39页 |
| 3.2.4 数据爬取结果展示 | 第39-41页 |
| 3.3 数据预处理 | 第41-43页 |
| 3.3.1 机器学习数据预处理流程 | 第41页 |
| 3.3.2 深度学习数据预处理流程 | 第41-43页 |
| 3.4 两种新的词向量填充算法 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 多路融合卷积神经网络 | 第47-58页 |
| 4.1 研究动机 | 第47页 |
| 4.2 标准卷积神经网络概述 | 第47-48页 |
| 4.3 多路融合卷积神经网络 | 第48-52页 |
| 4.3.1 多路融合卷积神经网络的网络结构 | 第48-51页 |
| 4.3.2 损失函数与模型训练 | 第51-52页 |
| 4.4 多路融合卷积神经网络的实验 | 第52-57页 |
| 4.4.1 超参设置 | 第52页 |
| 4.4.2 各模型准确率对比 | 第52-54页 |
| 4.4.3 训练集大小对模型准确率的影响 | 第54页 |
| 4.4.4 训练数据量对各个模型训练时间的影响 | 第54-56页 |
| 4.4.5 词向量填充算法对模型准确率的的影响 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 面向主体的注意力长短期记忆网络 | 第58-72页 |
| 5.1 研究动机 | 第58页 |
| 5.2 LSTM及其相关模型 | 第58-61页 |
| 5.3 Attention模型 | 第61-63页 |
| 5.4 面向主体的注意力长短期记忆网络 | 第63-67页 |
| 5.4.1 主体判别算法 | 第64-65页 |
| 5.4.2 面向主体的注意力长短期记忆网络设计(SA-LSTM模型) | 第65-67页 |
| 5.5 面向主体的注意力长短期记忆网络的实验 | 第67-71页 |
| 5.5.1 超参设置 | 第67-68页 |
| 5.5.2 各模型分类准确率对比 | 第68-70页 |
| 5.5.3 词向量维度对各个模型的影响 | 第70页 |
| 5.5.4 训练样本量对各个模型准确率的影响 | 第70-71页 |
| 5.6 本章小结 | 第71-72页 |
| 第六章 总结和展望 | 第72-75页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间发表论文和科研情况 | 第83页 |