| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文的主要研究内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-16页 |
| 第2章 相关知识介绍 | 第16-32页 |
| 2.1 文本情感分类的概述 | 第16页 |
| 2.2 基于情感知识的方法 | 第16-18页 |
| 2.2.1 分词工具 | 第16-17页 |
| 2.2.2 情感词典资源 | 第17-18页 |
| 2.3 基于情感特征的方法 | 第18-22页 |
| 2.3.1 文本预处理 | 第18-19页 |
| 2.3.2 特征选择 | 第19-21页 |
| 2.3.3 典型的文本情感分类方法 | 第21-22页 |
| 2.4 深度学习相关算法 | 第22-28页 |
| 2.4.1 卷积神经网络 | 第23-24页 |
| 2.4.2 循环神经网络 | 第24-25页 |
| 2.4.3 LSTM神经网络 | 第25-26页 |
| 2.4.4 递归神经网络 | 第26-27页 |
| 2.4.5 注意力机制 | 第27-28页 |
| 2.5 文本情感分类的评价指标 | 第28-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第3章 基于双通道卷积神经网络的文本情感分类算法 | 第32-44页 |
| 3.1 算法思想和框架 | 第32-33页 |
| 3.2 算法描述 | 第33-36页 |
| 3.2.1 扩展特征 | 第33-35页 |
| 3.2.2 动态k-max池化 | 第35-36页 |
| 3.2.3 算法描述与分析 | 第36页 |
| 3.3 实验与分析 | 第36-41页 |
| 3.3.1 数据集与评价标准 | 第37页 |
| 3.3.2 超参数设置 | 第37-38页 |
| 3.3.3 实验结果与分析 | 第38-41页 |
| 3.4 本章小结 | 第41-44页 |
| 第4章 基于LSTM神经网络与注意力机制的文本情感分类算法 | 第44-56页 |
| 4.1 基本思想 | 第44页 |
| 4.2 基于长短期记忆神经网络与注意力机制的文本情感分类模型 | 第44-47页 |
| 4.3 算法描述 | 第47-48页 |
| 4.4 实验与分析 | 第48-54页 |
| 4.4.1 实验数据与评价标准 | 第48页 |
| 4.4.2 超参数设置 | 第48-50页 |
| 4.4.3 LSTM神经网络提取序列特征的效果实验 | 第50-51页 |
| 4.4.4 引入注意力机制的分类效果实验 | 第51页 |
| 4.4.5 与多种经典算法的比较 | 第51-54页 |
| 4.5 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间所取得的主要科研成果 | 第62-64页 |
| 致谢 | 第64页 |
