| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 传统文本情感分类 | 第10页 |
| 1.2.2 基于机器学习的文本情感分类 | 第10-11页 |
| 1.2.3 基于深度学习的文本情感分类 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 文本情感分类相关概念和基本原理 | 第15-26页 |
| 2.1 文本情感分类基本框架 | 第15-18页 |
| 2.2 Word Embedding词嵌入技术 | 第18-20页 |
| 2.2.1 Word Embedding简介 | 第18页 |
| 2.2.2 word2vec词嵌入工具 | 第18-20页 |
| 2.3 深度学习网络模型 | 第20-23页 |
| 2.3.1 深度学习网络模型的基本方法 | 第21-22页 |
| 2.3.2 NLP领域的深度学习网络模型 | 第22-23页 |
| 2.4 Softmax回归算法 | 第23-24页 |
| 2.4.1 逻辑回归 | 第23-24页 |
| 2.4.2 Softmax回归 | 第24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 基于注意力机制的文本情感分类 | 第26-41页 |
| 3.1 注意力机制的基本原理 | 第26-30页 |
| 3.2 基于注意力机制的文本情感分类模型 | 第30-36页 |
| 3.2.1 基于LSTM编码器的注意力机制 | 第30-31页 |
| 3.2.2 基于注意力机制的文本情感分类模型构建 | 第31-34页 |
| 3.2.3 基于注意力机制的文本情感分类模型学习 | 第34-36页 |
| 3.3 文本情感数据集简介 | 第36-37页 |
| 3.4 实验过程及结果分析 | 第37-40页 |
| 3.4.1 实验过程 | 第37-38页 |
| 3.4.2 结果分析 | 第38-40页 |
| 3.5 本章小节 | 第40-41页 |
| 第四章 基于Bi-LSTM的文本情感分类 | 第41-52页 |
| 4.1 LSTM网络与Bi-LSTM网络 | 第41-45页 |
| 4.1.1 LSTM网络 | 第41-43页 |
| 4.1.2 Bi-LSTM网络 | 第43-45页 |
| 4.2 基于Bi-LSTM的文本情感分类模型构建与学习 | 第45-48页 |
| 4.3 实验过程及结果分析 | 第48-51页 |
| 4.3.1 实验过程 | 第48-49页 |
| 4.3.2 结果分析 | 第49-51页 |
| 4.4 本章小节 | 第51-52页 |
| 第五章 基于Bi-GRU的文本情感分类 | 第52-63页 |
| 5.1 GRU网络与Bi-GRU网络 | 第52-54页 |
| 5.1.1 GRU网络 | 第52-54页 |
| 5.1.2 Bi-GRU网络 | 第54页 |
| 5.2 基于Bi-GRU的文本情感分类模型构建与学习 | 第54-58页 |
| 5.3 实验过程及结果分析 | 第58-62页 |
| 5.3.1 实验过程 | 第58页 |
| 5.3.2 结果分析 | 第58-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录1 攻读硕士学位期间申请的专利 | 第69-70页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第70-71页 |
| 致谢 | 第71页 |