| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究内容和论文组织结构 | 第14-16页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 论文组织结构 | 第14-16页 |
| 第2章 数据预处理和向量化 | 第16-26页 |
| 2.1 数据预处理 | 第16-18页 |
| 2.1.1 实验数据选取 | 第16页 |
| 2.1.2 实验数据清洗和分词 | 第16-18页 |
| 2.2 语言模型 | 第18-21页 |
| 2.2.1 统计语言模型 | 第18-19页 |
| 2.2.2 神经网络语言模型 | 第19-21页 |
| 2.3 词向量 | 第21-25页 |
| 2.3.1 词向量模型 | 第21-23页 |
| 2.3.2 词向量训练 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 传统情感分析方法的研究 | 第26-38页 |
| 3.1 基于情感词典的情感分析方法 | 第26-27页 |
| 3.2 基于机器学习的情感分析方法 | 第27-31页 |
| 3.2.1 文本特征提取的方法 | 第28-29页 |
| 3.2.2 常用的分类模型 | 第29-31页 |
| 3.3 基于机器学习的情感分析 | 第31-37页 |
| 3.3.1 模型的评价标准 | 第32-33页 |
| 3.3.2 朴素贝叶斯实验 | 第33-34页 |
| 3.3.3 支持向量机实验 | 第34-35页 |
| 3.3.4 逻辑回归实验 | 第35-36页 |
| 3.3.5 机器学习模型实验总结 | 第36-37页 |
| 3.4 本章小节 | 第37-38页 |
| 第4章 基于深度学习的情感分析 | 第38-55页 |
| 4.1 深度学习相关方法 | 第38-42页 |
| 4.1.1 人工神经网络 | 第38-40页 |
| 4.1.2 循环神经网络 | 第40-41页 |
| 4.1.3 卷积神经网络 | 第41-42页 |
| 4.2 基于卷积神经网络模型的情感倾向性分析 | 第42-51页 |
| 4.2.1 TCNN模型 | 第42-46页 |
| 4.2.2 TCNN实验 | 第46-51页 |
| 4.3 基于双通道卷积神经网络的情感倾向性分析 | 第51-54页 |
| 4.3.1 Double-TCNN模型 | 第51-52页 |
| 4.3.2 Double-TCNN模型实验结果分析 | 第52页 |
| 4.3.3 实验结果分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |