| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本课题研究工作 | 第12-13页 |
| 1.4 论文结构说明 | 第13-15页 |
| 第二章 相关理论基础 | 第15-26页 |
| 2.1 文本表示 | 第15-17页 |
| 2.2 基于机器学习的分类算法 | 第17-18页 |
| 2.3 基于深度学习的分类算法 | 第18-26页 |
| 2.3.1 多层感知机 | 第19-20页 |
| 2.3.2 卷积神经网络 | 第20-22页 |
| 2.3.3 循环神经网络 | 第22页 |
| 2.3.4 LSTM网络 | 第22-24页 |
| 2.3.5 注意力机制 | 第24-26页 |
| 第三章 词粒度CNN模型构建和情感分析研究 | 第26-40页 |
| 3.1 词粒度CNN模型 | 第26-32页 |
| 3.1.1 词粒度CNN模型结构 | 第27-30页 |
| 3.1.2 词粒度情感计算 | 第30-31页 |
| 3.1.3 词粒度CNN模型训练 | 第31-32页 |
| 3.2 实验与分析 | 第32-39页 |
| 3.2.1 数据集 | 第32-34页 |
| 3.2.2 实验设置 | 第34-35页 |
| 3.2.3 实验结果与分析 | 第35-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 基于N-gram的NBOWN情感分析模型构建 | 第40-58页 |
| 4.1 NBOWN情感模型的构建 | 第41-49页 |
| 4.1.1 基于词向量的NBOW模型 | 第41-44页 |
| 4.1.2 基于N-gram的NBOWN模型 | 第44-45页 |
| 4.1.3 Gram注意力机制 | 第45-46页 |
| 4.1.4 NBOWN模型结构 | 第46-47页 |
| 4.1.5 词粒度情感计算 | 第47页 |
| 4.1.6 NBOWN模型的训练 | 第47-49页 |
| 4.2 实验与分析 | 第49-56页 |
| 4.2.1 数据集 | 第49页 |
| 4.2.2 实验设置 | 第49-50页 |
| 4.2.3 实验结果与分析 | 第50-56页 |
| 4.3 本章小结 | 第56-58页 |
| 第五章 基于CNN和NBOWN的情感分析系统 | 第58-63页 |
| 5.1 前端展示界面 | 第58-60页 |
| 5.2 后台数据处理 | 第60-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63-64页 |
| 6.2 未来展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 作者攻读学位期间发表的学术论文目录 | 第70页 |