| 摘要 | 第3-5页 |
| Abstracts | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 文本情感分析国内外研究现状 | 第13-14页 |
| 1.3.2 深度学习国内外研究现状 | 第14-15页 |
| 1.4 本文主要工作和创新点 | 第15-17页 |
| 1.5 本文的组织结构 | 第17-18页 |
| 第2章 基本概念及相关知识 | 第18-25页 |
| 2.1 文本情感分析 | 第18页 |
| 2.2 语法解析树 | 第18-19页 |
| 2.3 语义组合模型 | 第19-20页 |
| 2.4 深度神经网络模型 | 第20-22页 |
| 2.4.1 递归自动编码 | 第20-21页 |
| 2.4.2 LSTM | 第21-22页 |
| 2.5 Softmax回归算法 | 第22-25页 |
| 2.5.1 线性回归 | 第22-23页 |
| 2.5.2 逻辑回归 | 第23页 |
| 2.5.3 softmax回归 | 第23-25页 |
| 第3章 结合HowNet词典的双向短语递归自动编码模型 | 第25-45页 |
| 3.1 标准递归自动编码模型 | 第26-29页 |
| 3.2 短语递归自动编码模型 | 第29-33页 |
| 3.2.1 短语树结构的构建 | 第29-31页 |
| 3.2.2 短语特征表达学习 | 第31-33页 |
| 3.3 结合HowNet词典训练短语递归自动编码模型 | 第33-36页 |
| 3.3.1 基于HowNet的词语情感倾向计算 | 第33-34页 |
| 3.3.2 短语树非终端结点情感倾向计算 | 第34-36页 |
| 3.4 双向短语递归自动编码模型 | 第36-37页 |
| 3.5 训练 | 第37页 |
| 3.6 实验 | 第37-43页 |
| 3.6.1 数据集和评价指标 | 第37-40页 |
| 3.6.2 试验参数设置 | 第40页 |
| 3.6.3 情感分类方法比较 | 第40-41页 |
| 3.6.4 模型改进分析 | 第41-43页 |
| 3.7 本章小结 | 第43-45页 |
| 第4章 基于修辞结构理论的长短记忆网络 | 第45-58页 |
| 4.1 基于树结构的长短记忆网络 | 第46-48页 |
| 4.2 修辞结构理论 | 第48-49页 |
| 4.3 基于修辞结构理论构建长短记忆网络 | 第49-52页 |
| 4.3.1 RST-LSTM模型构建 | 第50-51页 |
| 4.3.2 RST-LSTM用于情感分类 | 第51-52页 |
| 4.4 实验 | 第52-57页 |
| 4.4.1 数据集 | 第52页 |
| 4.4.2 试验结果对比 | 第52-55页 |
| 4.4.3 模型分析 | 第55页 |
| 4.4.4 Twitter情感数据集 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58-59页 |
| 5.2 未来工作研究 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |