摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第10-17页 |
1.1 研究背景 | 第10-11页 |
1.2 国内外研究现状 | 第11-15页 |
1.2.1 互联网评论情感分析研究现状 | 第11-12页 |
1.2.2 方面级情感分析研究现状 | 第12-15页 |
1.3 主要工作和章节安排 | 第15-17页 |
第二章 相关技术基础概述 | 第17-26页 |
2.1 方面级情感分析 | 第17-18页 |
2.1.1 评论对象抽取 | 第17页 |
2.1.2 评论范畴识别 | 第17-18页 |
2.1.3 面向评论范畴的情感分析 | 第18页 |
2.2 文本特征与自然语言处理工具 | 第18-19页 |
2.3 条件随机场模型 | 第19-23页 |
2.3.1 模型特点和应用 | 第21页 |
2.3.2 模型训练的特征选取 | 第21-23页 |
2.4 序列神经网络模型 | 第23-26页 |
第三章 基于语义和句法依存特征的评论对象抽取研究 | 第26-38页 |
3.1 评论对象基础特征 | 第26页 |
3.2 评论对象语义特征 | 第26-29页 |
3.2.1 基于WordNet中词关系的语义特征 | 第26-27页 |
3.2.2 语义相似度和相关度度量 | 第27-28页 |
3.2.3 上下文语义特征 | 第28-29页 |
3.3 评论对象句法情感依存特征 | 第29-32页 |
3.3.1 句法依存关系特征提取 | 第29-30页 |
3.3.2 评价词判定方法 | 第30-31页 |
3.3.3 句法情感依存特征提取过程 | 第31-32页 |
3.4 实验分析 | 第32-37页 |
3.4.1 实验数据及实验设置 | 第32-33页 |
3.4.2 模型参数调优 | 第33-34页 |
3.4.3 不同领域数据对比分析 | 第34-37页 |
3.5 本章小结 | 第37-38页 |
第四章 基于双向LSTM模型的评论范畴识别研究 | 第38-49页 |
4.1 双向LSTM模型 | 第38-39页 |
4.2 基于Bi-LSTM的评论范畴识别模型 | 第39-42页 |
4.2.1 双向LSTM层 | 第39-40页 |
4.2.2 结合层 | 第40页 |
4.2.3 输出层 | 第40-42页 |
4.3 实验设计和实验结果分析 | 第42-48页 |
4.3.1 实验环境和实验数据集 | 第42-45页 |
4.3.2 数据预处理 | 第45-46页 |
4.3.3 模型参数设置 | 第46页 |
4.3.4 评价指标 | 第46页 |
4.3.5 实验结果分析 | 第46-48页 |
4.4 本章小结 | 第48-49页 |
第五章 基于注意力双向LSTM和LabeledLDA的范畴情感分析 | 第49-61页 |
5.1 注意力机制 | 第49-51页 |
5.2 基于LabeledLDA模型的文本主题分布 | 第51-54页 |
5.2.1 LabeledLDA模型 | 第51-53页 |
5.2.2 给定范畴向量表示 | 第53页 |
5.2.3 范畴情感语义词嵌入 | 第53-54页 |
5.3 面向评论范畴的情感分析模型 | 第54-56页 |
5.4 训练Bi-LSTMAttention模型 | 第56页 |
5.5 实验分析 | 第56-60页 |
5.5.1 实验环境和实验数据集 | 第56-58页 |
5.5.2 评价标准 | 第58页 |
5.5.3 模型训练 | 第58页 |
5.5.4 不同领域数据对比实验 | 第58-60页 |
5.6 本章小结 | 第60-61页 |
第六章 总结与展望 | 第61-63页 |
6.1 本文的主要工作和创新点 | 第61-62页 |
6.2 进一步的工作和展望 | 第62-63页 |
参考文献 | 第63-68页 |
致谢 | 第68-69页 |
作者简介 | 第69页 |