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

方面级情感分析在互联网评论中的应用研究

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

论文共69页,点击 下载论文
上一篇:基于海洋环境的数据挖掘算法研究
下一篇:基于集成学习的人脸特征提取及识别应用研究