| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究目的与意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 文本情感分类方法的研究现状 | 第13-15页 |
| 1.3.2 中文情感词库现状 | 第15-16页 |
| 1.4 主要研究内容和论文结构 | 第16-18页 |
| 1.4.1 主要研究内容 | 第16页 |
| 1.4.2 论文结构 | 第16-18页 |
| 第2章 相关理论介绍 | 第18-25页 |
| 2.1 文本预处理 | 第18-20页 |
| 2.2 文本表示模型 | 第20-21页 |
| 2.2.1 向量空间表示模型 | 第20-21页 |
| 2.2.2 概率模型 | 第21页 |
| 2.2.3 布尔模型 | 第21页 |
| 2.3 文本特征提取 | 第21-24页 |
| 2.3.1 信息增益 | 第21-22页 |
| 2.3.2 卡方校验 | 第22-23页 |
| 2.3.3 词频-逆向文件频率 | 第23页 |
| 2.3.4 点互信息 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于LS-SO算法的情感分类方法 | 第25-50页 |
| 3.1 情感词表的构建 | 第25-30页 |
| 3.1.1 基础情感词词汇表 | 第25-26页 |
| 3.1.2 目标情感词词汇表 | 第26-27页 |
| 3.1.3 网络用语情感词词汇表 | 第27页 |
| 3.1.4 表情符号情感词词汇表 | 第27页 |
| 3.1.5 否定词词汇表 | 第27-28页 |
| 3.1.6 疑问词词汇表 | 第28-29页 |
| 3.1.7 程度副词汇表 | 第29页 |
| 3.1.8 连词词汇表 | 第29-30页 |
| 3.2 基于LS-SO算法自动扩充领域情感词典 | 第30-37页 |
| 3.2.1 PMI-IR算法思想 | 第31-32页 |
| 3.2.2 PMI-IR算法扩充基础情感词词典 | 第32-34页 |
| 3.2.3 LS-SO算法扩充情感词词典 | 第34-36页 |
| 3.2.4 LS-SO算法扩充表情符号情感词典 | 第36-37页 |
| 3.3 抽取候选情感词组 | 第37-38页 |
| 3.4 微博文本语义分析规则 | 第38-41页 |
| 3.4.1 词间分析规则 | 第38-39页 |
| 3.4.2 句型分析规则 | 第39-40页 |
| 3.4.3 句间分析规则 | 第40页 |
| 3.4.4 表情符号分析规则 | 第40-41页 |
| 3.5 微博文本情感分类过程 | 第41-45页 |
| 3.5.1 自动扩充情感词典的实验步骤 | 第41-43页 |
| 3.5.2 情感极值计算的实验步骤 | 第43-45页 |
| 3.6 实验结果与实验分析 | 第45-49页 |
| 3.6.1 实验数据 | 第45页 |
| 3.6.2 评估指标 | 第45-46页 |
| 3.6.3 实验结果分析 | 第46-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第4章 基于ATTENTION机制的BI-LSTM模型分类方法 | 第50-63页 |
| 4.1 ATTENTION机制概述 | 第50-51页 |
| 4.2 BI-LSTM模型概述 | 第51-53页 |
| 4.3 搭建混合注意力模型 | 第53-58页 |
| 4.3.1 词向量表示层 | 第53-54页 |
| 4.3.2 语义信息编码层 | 第54-55页 |
| 4.3.3 全局特征抽取层 | 第55-56页 |
| 4.3.4 情感文本分类层 | 第56-58页 |
| 4.4 实验与分析 | 第58-62页 |
| 4.4.1 实验数据 | 第58页 |
| 4.4.2 实验参数设置 | 第58-59页 |
| 4.4.3 模型对比实验 | 第59-61页 |
| 4.4.4 实验结果分析 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 作者简介及在学期间所取得的科研成果 | 第68-69页 |
| 致谢 | 第69页 |