摘要 | 第5-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第11-16页 |
1.1 论文研究背景及意义 | 第11-12页 |
1.2 国内外研究成果及发展前景 | 第12-14页 |
1.3 论文的主要研究内容 | 第14-15页 |
1.4 论文的组织结构 | 第15-16页 |
第二章 相关理论与技术 | 第16-25页 |
2.1 分词技术 | 第16页 |
2.2 文本表示模型 | 第16-17页 |
2.3 情感词典分类 | 第17页 |
2.4 基于机器学习的分类方法 | 第17-19页 |
2.4.1 特征选择算法 | 第17-19页 |
2.4.2 传统学习分类模型 | 第19页 |
2.5 深度学习的情感分析 | 第19-22页 |
2.5.1 网络结构 | 第19-21页 |
2.5.2 反向传播算法 | 第21页 |
2.5.3 网络优化方法 | 第21-22页 |
2.6 观点挖掘的基础技术 | 第22-24页 |
2.7 本章小结 | 第24-25页 |
第三章 基于词向量的微博情感词典扩充 | 第25-36页 |
3.1 词典扩充 | 第25-26页 |
3.2 词向量技术 | 第26-29页 |
3.2.1 WORD2VEC词向量 | 第26-28页 |
3.2.2 GLOVE词向量 | 第28-29页 |
3.3 基于2E-SM算法的微博情感词典扩充 | 第29-35页 |
3.3.1 数据收集 | 第29-30页 |
3.3.2 实验过程 | 第30-31页 |
3.3.3 词语相似度计算与分析 | 第31-33页 |
3.3.4 基于双词向量扩充情感词典2E-SM算法 | 第33-34页 |
3.3.5 实验结果与分析 | 第34-35页 |
3.4 本章小结 | 第35-36页 |
第四章 基于深度学习网络的微博情感分类 | 第36-59页 |
4.1 实验数据与评价指标 | 第36-38页 |
4.1.1 实验数据 | 第36-37页 |
4.1.2 情感分类性能评价指标 | 第37-38页 |
4.2 卷积神经网络的情感分类 | 第38-48页 |
4.2.1 单词向量的卷积神经网络 | 第38-39页 |
4.2.2 双词向量卷积2E-CNN模型 | 第39-41页 |
4.2.3 双融合词向量卷积2ESF-CNN模型 | 第41-44页 |
4.2.4 实验与分析 | 第44-48页 |
4.2.4.1 实验过程及环境参数 | 第44-45页 |
4.2.4.2 各模型对比实验与分析 | 第45-48页 |
4.3 长短时记忆网络情感分类 | 第48-56页 |
4.3.1 长短时记忆网络 | 第48-50页 |
4.3.2 词向量融合ESF-BLSTM模型 | 第50-51页 |
4.3.3 基于注意力的ESF-BLSTM-ATT模型 | 第51-54页 |
4.3.4 实验结果与分析 | 第54-56页 |
4.4 本部分实验总结 | 第56-57页 |
4.5 本章小结 | 第57-59页 |
第五章 基于依存关系与扩展情感词典的观点挖掘 | 第59-71页 |
5.1 观点挖掘 | 第59-60页 |
5.2 基于规则与扩充情感词典的观点挖掘 | 第60-67页 |
5.2.1 数据预处理 | 第60-62页 |
5.2.2 基于规则与扩充情感词典融合算法 | 第62-64页 |
5.2.3 实验过程 | 第64页 |
5.2.4 实验结果与分析 | 第64-67页 |
5.3 基于具体实例的观点挖掘 | 第67-70页 |
5.3.1 实例数据与处理 | 第67页 |
5.3.2 前期的观点挖掘与结果分析 | 第67-68页 |
5.3.3 后期的观点挖掘与结果分析 | 第68-70页 |
5.4 本章小结 | 第70-71页 |
第六章 微博情感分析系统设计与实现 | 第71-76页 |
6.1 系统设计 | 第71-73页 |
6.1.2 开发准备与环境 | 第72-73页 |
6.2 系统设计与展示 | 第73-75页 |
6.2.1 情感识别设计与展示 | 第73-74页 |
6.2.2 观点挖掘设计与展示 | 第74-75页 |
6.3 本章小结 | 第75-76页 |
第七章 结论与展望 | 第76-78页 |
7.1 结论 | 第76页 |
7.2 展望 | 第76-78页 |
致谢 | 第78-79页 |
参考文献 | 第79-83页 |
攻读硕士学位期间取得的成果 | 第83页 |