基于循环自编码模型的短文本主题情感分析研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 短文本情感分析研究现状 | 第14-16页 |
| 1.2.2 短文本主题挖掘研究现状 | 第16-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第二章 短文本情感分析相关技术 | 第20-29页 |
| 2.1 短文本情感分析概述 | 第20-22页 |
| 2.1.1 基于词典的情感分析 | 第20-21页 |
| 2.1.2 基于机器学习的情感分析 | 第21-22页 |
| 2.2 文本预处理 | 第22-24页 |
| 2.2.1 数据清洗 | 第22-23页 |
| 2.2.2 分词与去停用词 | 第23-24页 |
| 2.3 特征选择 | 第24-27页 |
| 2.3.1 TF-IDF | 第24-25页 |
| 2.3.2 信息增益 | 第25-26页 |
| 2.3.3 互信息 | 第26页 |
| 2.3.4 卡方统计 | 第26-27页 |
| 2.4 文本表示模型 | 第27-28页 |
| 2.4.1 布尔模型 | 第27页 |
| 2.4.2 向量空间模型 | 第27-28页 |
| 2.4.3 概率模型 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 循环自编码模型 | 第29-44页 |
| 3.1 递归自编码模型 | 第29-32页 |
| 3.1.1 传统的递归自编码模型 | 第29-31页 |
| 3.1.2 改进的递归自编码模型 | 第31-32页 |
| 3.2 循环自编码模型 | 第32-38页 |
| 3.2.1 循环神经网络 | 第33-34页 |
| 3.2.2 自动编码机 | 第34-36页 |
| 3.2.3 循环自编码模型 | 第36-38页 |
| 3.3 实验与分析 | 第38-43页 |
| 3.3.1 实验数据集 | 第38-39页 |
| 3.3.2 实验设计 | 第39页 |
| 3.3.3 性能评价指标 | 第39-40页 |
| 3.3.4 实验结果分析 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 融合主题和情感信息的JST-RAE模型 | 第44-53页 |
| 4.1 JST模型 | 第44-46页 |
| 4.1.1 JST模型结构 | 第44-45页 |
| 4.1.2 JST模型参数估计 | 第45-46页 |
| 4.2 JST-RAE文本向量化模型 | 第46-49页 |
| 4.2.1 JST-RAE模型结构 | 第47页 |
| 4.2.2 主题和情感联合概率分布计算 | 第47-48页 |
| 4.2.3 文本向量训练 | 第48-49页 |
| 4.3 实验与分析 | 第49-52页 |
| 4.3.1 对比实验设计 | 第49-50页 |
| 4.3.2 实验结果分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 结合情感词典的JST-RAE情感分类模型 | 第53-64页 |
| 5.1 情感词典 | 第53-54页 |
| 5.2 结合情感词典的文本向量 | 第54-55页 |
| 5.3 情感极性分类器 | 第55-59页 |
| 5.3.1 朴素贝叶斯模型 | 第55-56页 |
| 5.3.2 支持向量机 | 第56-58页 |
| 5.3.3 最大熵模型 | 第58-59页 |
| 5.4 实验与分析 | 第59-63页 |
| 5.4.1 结合情感词典前后文本向量分类效率对比 | 第59-62页 |
| 5.4.2 不同分类器效率对比实验 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 结论与展望 | 第64-67页 |
| 6.1 结论 | 第64-65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-74页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第74-75页 |
| 作者在攻读硕士学位期间所作的项目 | 第75-76页 |
| 致谢 | 第76页 |
