基于深度学习的微博评论情感倾向性分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于浅层学习的情感分析研究现状 | 第10-11页 |
| 1.2.2 基于深度学习的情感分析研究现状 | 第11-13页 |
| 1.3 课题主要研究工作 | 第13-14页 |
| 1.4 论文内容安排 | 第14-16页 |
| 第2章 数据预处理和向量化 | 第16-36页 |
| 2.1 数据预处理 | 第16-19页 |
| 2.1.1 数据抓取方案 | 第16-18页 |
| 2.1.2 数据清洗和分词 | 第18-19页 |
| 2.2 语言模型 | 第19-23页 |
| 2.2.1 统计语言模型 | 第19-21页 |
| 2.2.2 神经网络语言模型 | 第21-23页 |
| 2.3 词向量模型 | 第23-35页 |
| 2.3.1 CBOW模型 | 第24-29页 |
| 2.3.2 Skip-Gram模型 | 第29-33页 |
| 2.3.3 Glove模型 | 第33-34页 |
| 2.3.4 词向量训练 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 基于浅层学习的情感分析 | 第36-51页 |
| 3.1 基于支持向量机的情感分析 | 第36-43页 |
| 3.1.1 支持向量机模型 | 第36-38页 |
| 3.1.2 支持向量机实验 | 第38-43页 |
| 3.2 基于罗杰斯特回归的情感分析 | 第43-46页 |
| 3.2.1 罗杰斯特回归模型 | 第43-44页 |
| 3.2.2 罗杰斯特回归实验 | 第44-46页 |
| 3.3 基于朴素贝叶斯的情感分析 | 第46-49页 |
| 3.3.1 朴素贝叶斯模型 | 第46-47页 |
| 3.3.2 朴素贝叶斯实验 | 第47-49页 |
| 3.4 浅层模型实验总结 | 第49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 基于深度学习的情感分析 | 第51-66页 |
| 4.1 基于LSTM神经网络的情感分析 | 第51-58页 |
| 4.1.1 循环神经网络 | 第51-53页 |
| 4.1.2 LSTM模型门结构 | 第53-56页 |
| 4.1.3 LSTM神经网络实验 | 第56-58页 |
| 4.2 基于卷积神经网络的情感分析 | 第58-62页 |
| 4.2.1 卷积神经网络 | 第58-59页 |
| 4.2.2 卷积神经网络实验 | 第59-62页 |
| 4.3 LSTM+CNN神经网络实验 | 第62-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第5章 实验对比及分析 | 第66-70页 |
| 5.1 词向量对比 | 第66-67页 |
| 5.2 Word2vec词向量下结果对比 | 第67-68页 |
| 5.3 Glove词向量下结果对比 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间发表的学术论文 | 第75-77页 |
| 致谢 | 第77页 |
