首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于词向量的微博用户抑郁预测方法研究

致谢第7-8页
摘要第8-9页
ABSTRACT第9页
第一章 绪论第14-20页
    1.1 研究背景第14-15页
        1.1.1 抑郁心理障碍介绍第14-15页
    1.2 研究意义第15页
    1.3 研究现状第15-17页
        1.3.1 情感分析研究现状第15-16页
        1.3.2 社交网络抑郁检测研究现状第16-17页
    1.4 本文主要工作第17-19页
    1.5 章节安排第19-20页
第二章 概述第20-31页
    2.1 语言模型第20页
    2.2 词向量的表示形式第20-24页
        2.2.1 聚类表示形式第21-22页
        2.2.2 词-矩阵形式第22页
        2.2.3 神经网络语言模型第22-24页
    2.3 WORD2VEC模型第24-27页
        2.3.1 cbow模型第24-25页
        2.3.2 Skip-gram模型第25-27页
    2.4 本文使用分类器第27-29页
        2.4.1 支持向量机第27页
        2.4.2 逻辑回归第27-28页
        2.4.3 感知器神经网络第28-29页
    2.5 本文评价指标第29-30页
    2.6 本章小结第30-31页
第三章 数据获取及数据处理第31-40页
    3.1 引言第31页
    3.2 抑郁和非抑郁用户的选取第31-32页
    3.3 数据获取及数据预处理第32-34页
        3.3.1 数据获取第32-33页
        3.3.2 数据清洗第33-34页
    3.4 词向量训练第34-36页
        3.4.1 文本分词第34页
        3.4.2 去除停用词第34页
        3.4.3 词向量参数设置第34-35页
        3.4.4 词向量语义第35-36页
    3.5 抑郁词典的构建第36-39页
        3.5.1 基础抑郁词典构建第36-37页
        3.5.2 相似度计算第37页
        3.5.3 抑郁词典扩展第37-39页
    3.6 本章小结第39-40页
第四章 基于抑郁词典的抑郁预测模型第40-48页
    4.1 引言第40页
    4.2 特征定义第40-42页
        4.2.1 个人信息特征第40-41页
        4.2.2 语言特征第41-42页
    4.3 基于抑郁词典的预测模型构建第42-44页
        4.3.1 用户特征表示第42页
        4.3.2 特征选择第42-44页
    4.4 实验结果及分析第44-47页
        4.4.1 实验数据第44页
        4.4.2 实验环境第44页
        4.4.3 实验结果分析第44-47页
    4.5 本章小结第47-48页
第五章 基于用户向量的抑郁预测模型构建第48-57页
    5.0 引言第48页
    5.1 用户向量分类流程第48-49页
    5.2 基于词向量的用户向量构造第49-52页
        5.2.1 TF-IDF加权词向量第49-51页
        5.2.2 最大池化特征提取第51-52页
    5.3 实验结果分析第52-56页
    5.4 本章小结第56-57页
第六章 总结与展望第57-59页
    6.1 总结第57页
    6.2 未来展望第57-59页
参考文献第59-62页
攻读硕士学位期间的学术活动及成果情况第62-63页

论文共63页,点击 下载论文
上一篇:基于风格推荐的三维角色组合设计研究
下一篇:基于信道状态信息的行为无源感知研究