首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于单词情感向量记忆网络的方面情感分析研究与应用

摘要第5-7页
ABSTRACT第7-8页
第1章 绪论第12-20页
    1.1 研究背景和意义第12-13页
    1.2 国内外研究现状第13-18页
        1.2.1 传统机器学习算法第14-15页
        1.2.2 深度学习算法第15-16页
        1.2.3 提取评论对象第16页
        1.2.4 词向量第16-18页
    1.3 主要研究内容第18-19页
    1.4 论文的结构安排第19-20页
第2章 相关理论概述第20-32页
    2.1 算法模型第20-24页
        2.1.1 循环神经网络第20-21页
        2.1.2 卷积神经网络第21-23页
        2.1.3 记忆网络第23-24页
    2.2 词向量第24-29页
        2.2.1 C&W词向量第24-25页
        2.2.2 GloVe词向量第25-27页
        2.2.3 SSWE词向量第27-29页
    2.3 词性标注第29-30页
        2.3.1 基于规则的方法第29-30页
        2.3.2 基于统计的方法第30页
        2.3.3 基于规则和统计相结合的方法第30页
    2.4 本章小结第30-32页
第3章 基于位置、词性和内容关注机制的记忆网络第32-46页
    3.1 深度记忆网络第33-35页
        3.1.1 深度记忆网络的思想和结构第33-34页
        3.1.2 关注机制第34-35页
    3.2 基于位置、词性和内容关注机制的记忆网络第35-41页
        3.2.1 基于位置、词性和内容的关注机制第36-37页
        3.2.2 基于位置、词性和内容的CNN关注机制第37-38页
        3.2.3 获取位置和词性信息第38-39页
        3.2.4 基于位置、词性和内容关注机制的记忆网络第39-40页
        3.2.5 基于方面的情感分析第40-41页
    3.3 实验分析第41-45页
        3.3.1 数据集第41-42页
        3.3.2 对比算法第42页
        3.3.3 参数设置第42-43页
        3.3.4 实验结果和分析第43-44页
        3.3.5 关注机制的分析第44-45页
    3.4 本章小结第45-46页
第4章 单词情感向量记忆网络第46-62页
    4.1 TD-LSTM第47-48页
        4.1.1 LSTM第47-48页
        4.1.2 TD-LSTM第48页
    4.2 SentiWordNet 3.0第48-49页
    4.3 基于TD-LSTM-SWN的单词情感向量第49-53页
        4.3.1 TD-LSTM-SWN第49-51页
        4.3.2 训练单词情感向量第51-53页
    4.4 单词情感向量记忆网络第53-55页
    4.5 实验分析第55-59页
        4.5.1 数据集第56页
        4.5.2 对比算法第56页
        4.5.3 参数设置第56-57页
        4.5.4 实验结果和分析第57-58页
        4.5.5 单词情感向量分析第58-59页
        4.5.6 和其他情感词向量的对比第59页
    4.6 本章小结第59-62页
第5章 方面情感分析在餐厅评论中的应用第62-74页
    5.1 问题描述第62-63页
    5.2 评论数据的获取和分析第63-66页
        5.2.1 方面的获取和分析第64-65页
        5.2.2 评论的获取和分析第65页
        5.2.3 星级分析第65-66页
    5.3 餐厅评论情感分析模型的设计和实现第66-70页
        5.3.1 数据预处理第67-69页
        5.3.2 融入星级信息的单词情感向量记忆网络第69-70页
    5.4 实验分析第70-72页
        5.4.1 数据集第70页
        5.4.2 对比算法第70-71页
        5.4.3 参数设置第71页
        5.4.4 实验结果和分析第71-72页
    5.5 本章小结第72-74页
第6章 总结和展望第74-78页
    6.1 本文工作总结第74-75页
    6.2 下一步工作第75-78页
参考文献第78-84页
附录A 插图索引第84-85页
附录B 表格索引第85-86页
附录C 算法索引第86-88页
致谢第88-90页
在读期间发表的学术论文与取得的其他研究成果第90页

论文共90页,点击 下载论文
上一篇:基于FPGA的图计算加速器系统的研究
下一篇:可扩展数据库中快照隔离级别的实现与优化