基于深度学习模型的语义情感分析处理
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题的来源、研究目的及意义 | 第11-12页 |
| 1.2 国内外研究现状分析 | 第12-13页 |
| 1.2.1 语义分析的现状与发展 | 第12-13页 |
| 1.2.2 深度学习的研究现状与发展 | 第13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 第二章 语义情感分析相关理论 | 第17-31页 |
| 2.1 情感分析的任务 | 第17页 |
| 2.2 传统的情感分析研究方法 | 第17-23页 |
| 2.2.1 情感分析的一般流程 | 第17页 |
| 2.2.2 中文评论文本预处理 | 第17-19页 |
| 2.2.3 数据集的特征抽取 | 第19-21页 |
| 2.2.4 特征权值的计算 | 第21-23页 |
| 2.3 基于机器学习的算法 | 第23-26页 |
| 2.3.1 线性回归算法 | 第23页 |
| 2.3.2 支持向量机算法 | 第23-26页 |
| 2.4 基于深度学习算法的词向量研究 | 第26-29页 |
| 2.4.1 统计语言模型 | 第26页 |
| 2.4.2 深度学习模型训练词向量 | 第26-29页 |
| 2.5 情感分析的评价指标 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 停用词表对文本情感分析的影响 | 第31-37页 |
| 3.1 文本粗降维 | 第31页 |
| 3.2 停用词表的构建 | 第31-33页 |
| 3.2.1 传统文本分类的停用词表的构建 | 第31-32页 |
| 3.2.2 情感文本分类的停用词表的构建 | 第32-33页 |
| 3.3 基于不同停用词表的情感分析 | 第33页 |
| 3.4 实验及结果分析 | 第33-35页 |
| 3.4.1 停用词表对特征选择的影响 | 第33-34页 |
| 3.4.2 停用词表对分类结果的影响 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于时间特征的情感分析 | 第37-45页 |
| 4.1 基于时间特征的情感分析评价指标 | 第37-38页 |
| 4.2 基于时间特征的评价标准 | 第38-39页 |
| 4.3 基于时间特征的情感分析 | 第39-41页 |
| 4.4 实验及结果分析 | 第41-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 基于深度学习模型的情感分析 | 第45-55页 |
| 5.1 蕴含情感信息的词向量特征提取 | 第45-46页 |
| 5.2 改进的支持向量机多分类算法 | 第46-50页 |
| 5.2.1 传统的SVM多分类算法研究 | 第46-48页 |
| 5.2.2 基于KNN算法的SVM多分类算法研究 | 第48-50页 |
| 5.3 基于深度学习和改进SVM的情感分析 | 第50-51页 |
| 5.4 实验及结果对比分析 | 第51-53页 |
| 5.5 本章小结 | 第53-55页 |
| 第六章 结论 | 第55-57页 |
| 6.1 本文总结 | 第55页 |
| 6.2 工作展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 作者简介 | 第61页 |
| 作者在攻读硕士学位期间发表的论文 | 第61-63页 |
| 致谢 | 第63页 |
