| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景、目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 单语言的情感分析技术的研究现状 | 第11-12页 |
| 1.2.2 跨语言的情感分析技术的研究现状 | 第12-13页 |
| 1.2.3 迁移学习的研究现状 | 第13-14页 |
| 1.3 论文的研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 情感分类与迁移学习 | 第16-28页 |
| 2.1 情感分类 | 第16-22页 |
| 2.1.1 基于无监督的学习方法 | 第16-19页 |
| 2.1.2 基于有监督的学习方法 | 第19-22页 |
| 2.2 跨语言情感分析技术 | 第22-23页 |
| 2.2.1 基于资源迁移的跨语言情感分析 | 第22-23页 |
| 2.2.2 基于双语联合学习的跨语言情感分析 | 第23页 |
| 2.3 迁移学习 | 第23-26页 |
| 2.3.1 迁移学习概述 | 第23-24页 |
| 2.3.2 迁移学习的研究内容 | 第24页 |
| 2.3.3 迁移学习的分类 | 第24-26页 |
| 2.3.4 基于迁移学习的情感分析模型 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 改进的TrAdaboost算法 | 第28-40页 |
| 3.1 决策树简介 | 第28-30页 |
| 3.1.1 决策树算法原理介绍 | 第28-29页 |
| 3.1.2 决策树的构造 | 第29-30页 |
| 3.2 TrAdaboost算法简介 | 第30-31页 |
| 3.2.1 TrAdaboost算法分类策略 | 第30页 |
| 3.2.2 TrAdaboost算法流程 | 第30-31页 |
| 3.3 改进的TrAdaboost算法 | 第31-33页 |
| 3.3.1 TrAdaboost算法存在的问题 | 第31-32页 |
| 3.3.2 对TrAdaboost算法的改进 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-39页 |
| 3.4.1 实验数据与预处理 | 第33-34页 |
| 3.4.2 对比算法及评价指标 | 第34页 |
| 3.4.3 实验结果分析 | 第34-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于自学习的数据集重构算法 | 第40-49页 |
| 4.1 Bootstrapping技术简介 | 第40-41页 |
| 4.2 BoostTrA算法的改进策略 | 第41-43页 |
| 4.2.1 对源语言训练样本的挑选策略 | 第41-42页 |
| 4.2.2 数据集重构策略 | 第42-43页 |
| 4.3 源语言训练样本选择机制及跨语言情感分类算法设计 | 第43-45页 |
| 4.3.1 基于自学习的对源语言训练样本的选择算法介绍 | 第43-44页 |
| 4.3.2 数据集重构算法介绍 | 第44-45页 |
| 4.4 实验结果与分析 | 第45-47页 |
| 4.4.1 实验数据与预处理 | 第45页 |
| 4.4.2 基准方法与评价方法 | 第45页 |
| 4.4.3 实验结果分析 | 第45-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49页 |
| 5.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士期间取得的研究成果 | 第55-57页 |
| 致谢 | 第57-58页 |