| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第17-39页 |
| 1.1 课题背景和意义 | 第17-20页 |
| 1.2 国内外研究现状 | 第20-34页 |
| 1.2.1 情感分析中的分类问题 | 第21-24页 |
| 1.2.2 情感要素抽取 | 第24-26页 |
| 1.2.3 情感分析中的其他研究问题 | 第26-29页 |
| 1.2.4 表示学习方法 | 第29-31页 |
| 1.2.5 表示学习方法在情感分析中的应用 | 第31-32页 |
| 1.2.6 国内外研究现状总结 | 第32-34页 |
| 1.3 本文的主要研究内容 | 第34-37页 |
| 1.4 本文的内容安排 | 第37-39页 |
| 第2章 基于长短时记忆网络组合模型的短文本极性分类 | 第39-60页 |
| 2.1 引言 | 第39-40页 |
| 2.2 基于简单循环神经网络的文本表示 | 第40-43页 |
| 2.2.1 循环神经网络的基本结构 | 第40-41页 |
| 2.2.2 文本表示和极性分类模型 | 第41-42页 |
| 2.2.3 固定词表的简单循环网络 | 第42-43页 |
| 2.2.4 可训练词表的简单循环网络模型 | 第43页 |
| 2.3 基于长短时记忆网络文本表示 | 第43-47页 |
| 2.3.1 长短时记忆块的结构 | 第43-44页 |
| 2.3.2 长短时记忆块的组合函数 | 第44-46页 |
| 2.3.3 长短时记忆网络与文本分类 | 第46-47页 |
| 2.4 实验及分析 | 第47-59页 |
| 2.4.1 实验设置与基线方法 | 第47-49页 |
| 2.4.2 与数据驱动方法的比较 | 第49-51页 |
| 2.4.3 与特征工程方法的比较 | 第51-52页 |
| 2.4.4 长短时记忆网络的词向量微调 | 第52-55页 |
| 2.4.5 长短时记忆网络处理否定短语中的词交互 | 第55-59页 |
| 2.5 本章小结 | 第59-60页 |
| 第3章 基于双向长短时记忆网络的情感表达抽取 | 第60-82页 |
| 3.1 引言 | 第60-61页 |
| 3.2 情感表达的类别与抽取评价指标 | 第61-63页 |
| 3.2.1 情感表达的类别 | 第61-62页 |
| 3.2.2 情感表达抽取的评价 | 第62-63页 |
| 3.3 基于简单循环网络的情感表达抽取 | 第63-64页 |
| 3.3.1 基本序列标注的抽取方法 | 第63页 |
| 3.3.2 基本简单循环网络的序列标注方法 | 第63-64页 |
| 3.4 基于长短时记忆网络序列标注器的情感表达抽取 | 第64-68页 |
| 3.4.1 简单循环网络的局限性 | 第64-65页 |
| 3.4.2 深度序列标注器 | 第65-66页 |
| 3.4.3 深度双向序列标注器 | 第66-68页 |
| 3.5 实验及分析 | 第68-80页 |
| 3.5.1 实验数据和设置 | 第68-69页 |
| 3.5.2 与基线方法的比较 | 第69-72页 |
| 3.5.3 不同网络参数的比较 | 第72-73页 |
| 3.5.4 单词“as”标签的上下文相关性的学习 | 第73-78页 |
| 3.5.5 边界的上下文无关性的学习 | 第78-80页 |
| 3.6 本章小结 | 第80-82页 |
| 第4章 基于词向量改进的情感对象属性抽取 | 第82-102页 |
| 4.1 引言 | 第82-83页 |
| 4.2 意见评论中的属性抽取 | 第83页 |
| 4.3 基于依存句法的词向量 | 第83-86页 |
| 4.3.1 基于负采样的Skip-Gram模型 | 第83-85页 |
| 4.3.2 基于句法上下文的词向量改进 | 第85-86页 |
| 4.4 基于外积矩阵的词向量扩展 | 第86-88页 |
| 4.4.1 词向量的统计信息缺失 | 第86-87页 |
| 4.4.2 外积扩展方法 | 第87-88页 |
| 4.5 基于特化输入门的特征融合 | 第88-92页 |
| 4.5.1 词向量特化的动因 | 第88-89页 |
| 4.5.2 增广输入门 | 第89页 |
| 4.5.3 级联输入门 | 第89-92页 |
| 4.6 实验及分析 | 第92-100页 |
| 4.6.1 实验设置与基线方法 | 第92-93页 |
| 4.6.2 不同模型的性能比较 | 第93-96页 |
| 4.6.3 统计信息融合与词向量微调 | 第96-98页 |
| 4.6.4 词向量特化 | 第98-99页 |
| 4.6.5 上下文窗口设置 | 第99-100页 |
| 4.7 本章小结 | 第100-102页 |
| 第5章 基于语句序列表示学习的多轮人机对话情绪预测 | 第102-122页 |
| 5.1 引言 | 第102-104页 |
| 5.2 问题定义与相关研究 | 第104-106页 |
| 5.2.1 问题定义 | 第104-105页 |
| 5.2.2 相关研究 | 第105-106页 |
| 5.3 情绪决定要素的假设与建模 | 第106-112页 |
| 5.3.1 情绪决定要素的假设 | 第106-107页 |
| 5.3.2 基于卷积神经网络的语句和语句对表示 | 第107-109页 |
| 5.3.3 基于卷积循环网络的语句序列建模 | 第109-111页 |
| 5.3.4 基于门控卷积循环网络的语句序列建模 | 第111-112页 |
| 5.4 数据构建与预训练策略 | 第112-114页 |
| 5.4.1 数据构建 | 第112-113页 |
| 5.4.2 预训练策略 | 第113-114页 |
| 5.5 实验及分析 | 第114-120页 |
| 5.5.1 实验设置与基线方法 | 第114-115页 |
| 5.5.2 与基线方法的比较 | 第115-117页 |
| 5.5.3 实例分析 | 第117-120页 |
| 5.6 本章小结 | 第120-122页 |
| 结论 | 第122-125页 |
| 参考文献 | 第125-141页 |
| 攻读博士学位期间发表的论文 | 第141-144页 |
| 致谢 | 第144-146页 |
| 个人简历 | 第146页 |
