| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 文本情感分析的研究现状 | 第12-13页 |
| 1.2.2 深度学习在文本情感分析领域研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 文本情感分析及深度学习相关研究 | 第16-31页 |
| 2.1 文本情感分析主要任务 | 第16-18页 |
| 2.2 传统机器学习算法 | 第18-23页 |
| 2.2.1 朴素贝叶斯模型 | 第18-19页 |
| 2.2.2 支持向量机模型 | 第19-21页 |
| 2.2.3 K近邻模型 | 第21-23页 |
| 2.3 人工神经网络及深度学习相关算法 | 第23-30页 |
| 2.3.1 人工神经网络 | 第24-27页 |
| 2.3.2 卷积神经网络 | 第27页 |
| 2.3.3 LSTM循环神经网络 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于深度学习的文本情感分析 | 第31-44页 |
| 3.1 算法提出背景 | 第31-32页 |
| 3.2 改进的堆叠式卷积循环神经网络 | 第32-43页 |
| 3.2.1 CNN-GRU网络框图 | 第32页 |
| 3.2.2 改进的文本Embedding表示 | 第32-34页 |
| 3.2.3 卷积层处理 | 第34-35页 |
| 3.2.4 Softplus-Relu隐层以及Max Pooing层 | 第35-38页 |
| 3.2.5 GRU层 | 第38-39页 |
| 3.2.6 后处理相关隐层 | 第39-40页 |
| 3.2.7 算法流程 | 第40-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 实验结果及分析 | 第44-54页 |
| 4.1 分类的评价标准 | 第44-45页 |
| 4.2 实验数据集 | 第45-46页 |
| 4.3 实验结果对比分析 | 第46-53页 |
| 4.3.1 epoch取值选择实验 | 第46-48页 |
| 4.3.2 Dropout选择实验 | 第48-50页 |
| 4.3.3 激活函数对比实验 | 第50-51页 |
| 4.3.4 卷积层层数选择实验 | 第51-52页 |
| 4.3.5 GRU与LSTM单元对比实验 | 第52-53页 |
| 4.3.6 算法运行时间分析 | 第53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 总结和展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 作者简介 | 第61-62页 |
| 致谢 | 第62页 |