基于特定事件的微博用户情感分析
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 特定事件下情感分析的难点 | 第10-11页 |
| 1.4 本论文的组织结构 | 第11-12页 |
| 2 分布式文本预处理相关技术 | 第12-18页 |
| 2.1 文本预处理技术 | 第12-15页 |
| 2.1.1 博文预处理 | 第12-13页 |
| 2.1.2 中文分词 | 第13页 |
| 2.1.3 实体识别及后处理 | 第13-15页 |
| 2.2 分布式平台Hadoop | 第15-16页 |
| 2.2.1 分布式平台Hadoop的介绍 | 第15页 |
| 2.2.2 MapReduce编程模型 | 第15-16页 |
| 2.3 分布式平台下的文本预处理 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 3 事件和用户向量化相关技术 | 第18-28页 |
| 3.1 事件向量化 | 第18-23页 |
| 3.1.1 词向量 | 第18-20页 |
| 3.1.2 加入情感信息的词向量 | 第20-22页 |
| 3.1.3 事件关键词扩展 | 第22-23页 |
| 3.1.4 事件向量化 | 第23页 |
| 3.2 用户向量化 | 第23-27页 |
| 3.2.1 用户一般特征提取 | 第23-25页 |
| 3.2.2 用户行为特征分析 | 第25页 |
| 3.2.3 用户社交特征分析 | 第25-27页 |
| 3.3 本章小结 | 第27-28页 |
| 4 深度学习技术及其改进 | 第28-43页 |
| 4.1 深度学习简介 | 第28-30页 |
| 4.1.1 卷积单元 | 第28页 |
| 4.1.2 长短时记忆网络 | 第28-30页 |
| 4.1.3 注意力机制 | 第30页 |
| 4.2 基于注意力机制的残差网络的情感分类模型 | 第30-36页 |
| 4.2.1 残差网络介绍 | 第30-31页 |
| 4.2.2 基于残差网络的情感分类 | 第31-34页 |
| 4.2.3 实验结果与分析 | 第34-36页 |
| 4.3 基于用户和商品注意力机制的情感分类模型 | 第36-42页 |
| 4.3.1 层次CNN+LSTM模型 | 第36-38页 |
| 4.3.2 加入用户和商品信息的层次LSTM模型 | 第38-39页 |
| 4.3.3 实验结果分析 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 实验结果及分析 | 第43-49页 |
| 5.1 实验环境 | 第43-44页 |
| 5.2 实验数据准备 | 第44-48页 |
| 5.2.1 实验数据标注 | 第44-45页 |
| 5.2.2 实验数据预处理 | 第45页 |
| 5.2.3 用户向量化 | 第45-47页 |
| 5.2.4 事件向量化 | 第47-48页 |
| 5.3 实验结果分析 | 第48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间的研究成果 | 第55页 |
