基于多元特征融合和LSTM神经网络的中文评论情感分析
| 摘要 | 第3-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于规则的文本情感分析方法 | 第13-14页 |
| 1.2.2 基于机器学习的文本情感分析方法 | 第14-15页 |
| 1.2.3 基于深度神经网络的文本情感分析方法 | 第15-16页 |
| 1.3 研究内容介绍 | 第16-17页 |
| 1.4 文本的组织结构 | 第17-20页 |
| 第二章 文本情感分析的相关技术 | 第20-38页 |
| 2.1 文本情感分析任务介绍 | 第20-24页 |
| 2.1.1 基于研究任务的分类 | 第20-23页 |
| 2.1.2 基于文本粒度的分类 | 第23-24页 |
| 2.1.3 基于文本类别的分类 | 第24页 |
| 2.2 文本预处理 | 第24-27页 |
| 2.2.1 文本的分词 | 第25-26页 |
| 2.2.2 文本的词性标注与极性标注 | 第26页 |
| 2.2.3 文本的停用词处理 | 第26-27页 |
| 2.3 基于规则的情感分析方法 | 第27-29页 |
| 2.3.1 中文情感词典资源的介绍 | 第27-28页 |
| 2.3.2 情感新词的识别 | 第28-29页 |
| 2.4 基于机器学习的情感分析方法 | 第29-33页 |
| 2.4.1 特征工程 | 第30-31页 |
| 2.4.2 情感分析机器学习算法的介绍 | 第31-33页 |
| 2.5 基于深度神经网络的情感分析方法 | 第33-38页 |
| 2.5.1 人工神经网络与深度神经网络 | 第33-34页 |
| 2.5.2 人工神经网络的结构和原理 | 第34-36页 |
| 2.5.3 深度神经网络在情感分析的应用 | 第36-38页 |
| 第三章 基于权重分配的多元特征词向量的构建 | 第38-50页 |
| 3.1 文本的表示方法 | 第39-43页 |
| 3.1.1 基于向量空间模型的文本表示方法 | 第39页 |
| 3.1.2 基于词向量的文本表示方法 | 第39-43页 |
| 3.2 引入情感特征的文本表示方法 | 第43-46页 |
| 3.2.1 情感要素的介绍 | 第43-44页 |
| 3.2.2 构建情感要素词典集 | 第44页 |
| 3.2.3 构建词的情感特征向量 | 第44-45页 |
| 3.2.4 构建多元特征词向量 | 第45-46页 |
| 3.3 引入权重信息的文本表示方法 | 第46-50页 |
| 3.3.1 特征权重算法的介绍 | 第46-47页 |
| 3.3.2 构建基于权重分配的多元特征词向量 | 第47页 |
| 3.3.3 文本的多元特征矩阵表示 | 第47-50页 |
| 第四章 基于LSTM神经网络的评论文本情感分析 | 第50-64页 |
| 4.1 RNN模型 | 第50-52页 |
| 4.2 LSTM神经网络模型 | 第52-55页 |
| 4.3 基于LSTM神经网络模型的情感分析方法 | 第55-58页 |
| 4.3.1 评论文本数据的采集与预处理 | 第55-56页 |
| 4.3.2 将文本表示为多元特征矩阵 | 第56页 |
| 4.3.3 训练LSTM神经网络模型 | 第56-58页 |
| 4.4 实验设计与实验结果分析 | 第58-64页 |
| 4.4.1 实验环境 | 第58-59页 |
| 4.4.2 数据集 | 第59页 |
| 4.4.3 评价指标 | 第59-60页 |
| 4.4.4 实验与结果分析 | 第60-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读硕士学位期间发表的学术论文目录 | 第72页 |
