| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17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 情感分类 | 第10-12页 |
| 1.2.2 方面挖掘 | 第12-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 1.4 本文结构安排 | 第15-17页 |
| 第二章 基于PNNs的 MOOCs课程评论情感分类算法研究 | 第17-29页 |
| 2.1 引言 | 第17-18页 |
| 2.2 PNNs网络模型的构建 | 第18-22页 |
| 2.2.1 用于特征提取的并行神经网络结构 | 第19-21页 |
| 2.2.2 基于Self-attention机制的特征选择 | 第21-22页 |
| 2.2.3 PNNs网络的分类层 | 第22页 |
| 2.3 PNNs模型的算法评估与分析 | 第22-28页 |
| 2.3.1 MOOCs课程评论数据集 | 第22-23页 |
| 2.3.2 实验设置 | 第23-24页 |
| 2.3.3 对比方法 | 第24页 |
| 2.3.4 实验结果与分析 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于BGDL的 MOOCs课程评论情感分类算法研究 | 第29-45页 |
| 3.1 引言 | 第29-31页 |
| 3.2 BGDL模型的构建 | 第31-36页 |
| 3.2.1 词表示学习方法 | 第32-33页 |
| 3.2.2 句子表示学习方法 | 第33-34页 |
| 3.2.3 Drop Loss | 第34-36页 |
| 3.3 BGDL模型的算法评估与分析 | 第36-43页 |
| 3.3.1 实验设置 | 第36-37页 |
| 3.3.2 对比方法 | 第37页 |
| 3.3.3 实验结果分析 | 第37-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 MOOCs课程评论的方面挖掘算法研究 | 第45-59页 |
| 4.1 引言 | 第45-47页 |
| 4.2 方面挖掘模型Bi-Net | 第47-50页 |
| 4.2.1 基于Bi-LSTM的词表示学习 | 第47-48页 |
| 4.2.2 基于Self-attention机制的句子嵌入 | 第48-49页 |
| 4.2.3 基于方面嵌入的句子重构表示 | 第49-50页 |
| 4.3 Bi-Net模型的算法评估与分析 | 第50-55页 |
| 4.3.1 数据集介绍 | 第50页 |
| 4.3.2 对比方法 | 第50-51页 |
| 4.3.3 实验设置 | 第51页 |
| 4.3.4 实验结果分析 | 第51-55页 |
| 4.4 以MOOCs课程评论为例的实例分析 | 第55-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-69页 |
| 致谢 | 第69-71页 |
| 攻读硕士学位期间取得的科研成果 | 第71-72页 |
