| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.2 国内外研究现状与分析 | 第12-14页 |
| 1.2.1 文本情感分类研究现状 | 第12页 |
| 1.2.2 深度学习研究现状 | 第12-13页 |
| 1.2.3 Spark分布式计算研究现状 | 第13-14页 |
| 1.3 论文的主要研究工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 理论研究及相关技术介绍 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 网络短文本预处理与特征提取 | 第17-20页 |
| 2.2.1 网络短文本的采集与预处理 | 第17-18页 |
| 2.2.2 网络文本的表示 | 第18-19页 |
| 2.2.3 特征选择 | 第19-20页 |
| 2.3 构建网络短文本情感分类模型的关键问题与相关技术 | 第20-23页 |
| 2.3.1 基于机器学习算法的分类模型 | 第20-22页 |
| 2.3.2 深度学习理论基础 | 第22-23页 |
| 2.4 分布式计算平台 | 第23-25页 |
| 2.4.1 分布式存储HDFS | 第23-24页 |
| 2.4.2 分布式计算Spark | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 3 基于深度学习的网络短文本情感分类模型 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 深度学习模型 | 第27-31页 |
| 3.2.1 神经元模型 | 第27-28页 |
| 3.2.2 深度置信网络DBN | 第28页 |
| 3.2.3 受限玻尔兹曼机RBM训练过程 | 第28-30页 |
| 3.2.4 BP神经网络微调DBN过程 | 第30-31页 |
| 3.3 基于深度学习的网络短文本情感分类模型 | 第31-37页 |
| 3.3.1 数据预处理 | 第31-32页 |
| 3.3.2 基于词向量的文本表示 | 第32-35页 |
| 3.3.3 基于DBN的网络短文本情感分类器 | 第35-37页 |
| 3.4 DBN情感分类模型的实验效果分析 | 第37-39页 |
| 3.4.1 DBN中迭代次数对模型的影响 | 第37-38页 |
| 3.4.2 DBN中RBM的层数对分类结果的影响 | 第38页 |
| 3.4.3 每层RBM中节点个数对分类结果的影响 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 基于Spark平台对情感分类模型的并行优化 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 设计思想与基本框架 | 第41-46页 |
| 4.2.1 基于HDFS实现网络短文本分布式存储 | 第41-42页 |
| 4.2.2 Spark平台下实现网络短文本预处理的并行优化 | 第42-43页 |
| 4.2.3 Spark平台下实现深度置信网络的并行设计 | 第43-46页 |
| 4.3 实验设计与分析 | 第46-48页 |
| 4.3.1 实验设计 | 第46-47页 |
| 4.3.2 实验结果分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 网络短文本情感分类系统的设计与实现 | 第49-59页 |
| 5.1 引言 | 第49页 |
| 5.2 系统环境部署 | 第49-52页 |
| 5.2.1 系统软硬件环境 | 第49-50页 |
| 5.2.2 HDFS环境搭建 | 第50-51页 |
| 5.2.3 Spark环境搭建 | 第51-52页 |
| 5.3 系统架构 | 第52页 |
| 5.4 网络短文本情感分类系统实现 | 第52-57页 |
| 5.4.1 数据采集 | 第53-54页 |
| 5.4.2 数据预处理 | 第54-56页 |
| 5.4.3 网络文本情感分类 | 第56页 |
| 5.4.4 情感分类结果可视化 | 第56-57页 |
| 5.5 本章小结 | 第57-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间取得的科研成果 | 第67-69页 |
| 致谢 | 第69页 |
