基于深度学习的细粒度用户评论情感分析研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 选题背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.3 研究工作和论文安排 | 第21-23页 |
| 1.3.1 研究工作 | 第21页 |
| 1.3.2 论文安排 | 第21-23页 |
| 第二章 关键技术分析 | 第23-35页 |
| 2.1 深度学习基础 | 第23-28页 |
| 2.1.1 人工神经网络 | 第23-24页 |
| 2.1.2 循环神经网络 | 第24-26页 |
| 2.1.3 长短期记忆网络 | 第26-28页 |
| 2.1.4 门控循环单元 | 第28页 |
| 2.2 中文分词技术 | 第28-30页 |
| 2.3 文本向量化方法 | 第30-33页 |
| 2.3.1 One-hot模型 | 第30-31页 |
| 2.3.2 分布式词向量 | 第31页 |
| 2.3.3 Word2Vec模型 | 第31-33页 |
| 2.4 向量融合方式 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 数据预处理 | 第35-45页 |
| 3.1 数据分布 | 第35-36页 |
| 3.2 不规范词及表情符替换 | 第36-37页 |
| 3.3 分词处理 | 第37-39页 |
| 3.4 基于字词向量结合的文本向量化 | 第39-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于深度学习的情感判别分析 | 第45-61页 |
| 4.1 TextRNN网络模型 | 第45-47页 |
| 4.1.1 模型整体结构 | 第45-46页 |
| 4.1.2 嵌入层 | 第46页 |
| 4.1.3 循环层 | 第46-47页 |
| 4.1.4 输出层 | 第47页 |
| 4.2 注意力机制 | 第47-53页 |
| 4.2.1 注意力机制原理 | 第47-50页 |
| 4.2.2 自注意力机制 | 第50-52页 |
| 4.2.3 复杂度分析 | 第52页 |
| 4.2.4 改进Attention机制 | 第52-53页 |
| 4.3 改进TextRNN的情感分析融合模型 | 第53-60页 |
| 4.3.1 融合模型整体结构 | 第53-55页 |
| 4.3.2 改进模型输入处理 | 第55-56页 |
| 4.3.3 改进Attention层及循环层处理 | 第56-58页 |
| 4.3.4 向量融合 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 改进TextRNN情感分析算法训练与分析 | 第61-75页 |
| 5.1 实验环境搭建 | 第61-62页 |
| 5.2 评测指标 | 第62-63页 |
| 5.3 模型训练与结果分析 | 第63-72页 |
| 5.3.1 模型训练及实验设置 | 第63-65页 |
| 5.3.2 参数优化实验 | 第65-70页 |
| 5.3.3 词向量层对比试验和结果分析 | 第70-71页 |
| 5.3.4 改进模型训练结果与分析 | 第71-72页 |
| 5.4 评论情感分析效果测试 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 基于linux平台系统实验与分析 | 第75-81页 |
| 6.1 linux系统环境搭建 | 第75页 |
| 6.2 系统实现 | 第75-77页 |
| 6.2.1 系统整体结构 | 第75-76页 |
| 6.2.2 系统详细设计与开发 | 第76-77页 |
| 6.3 实验结果与分析 | 第77-80页 |
| 6.4 本章小结 | 第80-81页 |
| 第七章 总结与展望 | 第81-83页 |
| 7.1 工作总结 | 第81-82页 |
| 7.2 研究展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-88页 |
| 作者简介 | 第88-89页 |
