| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 论文研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 舆情文本表示 | 第9页 |
| 1.2.2 情感倾向性分析 | 第9-10页 |
| 1.2.3 食品安全网络舆情分析的研究和应用现状 | 第10-11页 |
| 1.3 本文组织结构 | 第11-14页 |
| 2 网络舆情信息处理相关技术概述 | 第14-29页 |
| 2.1 网络舆情分析相关技术 | 第14-17页 |
| 2.1.1 网络舆情信息的采集 | 第14-16页 |
| 2.1.2 文本预处理 | 第16-17页 |
| 2.2 深度学习相关技术 | 第17-28页 |
| 2.2.1 前馈神经网络 | 第17-19页 |
| 2.2.2 卷积神经网络 | 第19-24页 |
| 2.2.3 循环神经网络 | 第24-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 基于Wasserstein GAN的文档表示模型 | 第29-34页 |
| 3.1 Wasserstein GAN简介 | 第29-30页 |
| 3.1.1 Wasserstein距离 | 第29-30页 |
| 3.1.2 Wasserstein GAN | 第30页 |
| 3.2 WADM模型的构建 | 第30-31页 |
| 3.3 实验 | 第31-33页 |
| 3.3.1 实验设置 | 第31-32页 |
| 3.3.2 文档检索 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 网络舆情文本情感倾向性分析研究 | 第34-41页 |
| 4.0 概述 | 第34-35页 |
| 4.1 LSTM模型简介 | 第35-36页 |
| 4.2 C-LSTM模型的构建 | 第36-37页 |
| 4.3 实验 | 第37-40页 |
| 4.3.1 实验设置 | 第37-39页 |
| 4.3.2 实验结果及分析 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 基于深度学习的食品安全网络舆情分析 | 第41-53页 |
| 5.1 食品安全网络舆情数据采集 | 第41-44页 |
| 5.1.1 新闻文本的采集 | 第41-43页 |
| 5.1.2 微博文本的采集 | 第43-44页 |
| 5.2 舆情数据预处理 | 第44-45页 |
| 5.3 舆情文本的向量化表示 | 第45-47页 |
| 5.4 食品安全舆情话题的聚类分析 | 第47-50页 |
| 5.5 面向话题的食品安全舆情情感分析 | 第50-52页 |
| 5.6 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 研究工作总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 7 参考文献 | 第55-60页 |
| 8 攻读硕士学位期间发表论文及参加项目情况 | 第60-61页 |
| 9 致谢 | 第61页 |