| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景与研究意义 | 第12-15页 |
| 1.1.1 文本情感分类的研究背景及意义 | 第12-13页 |
| 1.1.2 迁移学习的研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 单领域情感分类的研究现状 | 第15-17页 |
| 1.2.2 跨领域情感分类的研究现状 | 第17-19页 |
| 1.3 论文的主要研究内容和内容安排 | 第19-20页 |
| 1.4 论文的章节安排 | 第20-22页 |
| 第2章 基于迁移学习的跨领域文本情感分类算法的相关理论和技术概述 | 第22-52页 |
| 2.1 引言 | 第22页 |
| 2.2 迁移学习概述 | 第22-25页 |
| 2.2.1 迁移学习的问题范式 | 第22-23页 |
| 2.2.2 迁移学习的方法分类 | 第23-25页 |
| 2.3 基于迁移学习的跨领域文本情感分类 | 第25页 |
| 2.4 文本表示模型 | 第25-35页 |
| 2.4.1 文本数据预处理 | 第26-27页 |
| 2.4.2 文本特征选择 | 第27-31页 |
| 2.4.3 文本向量化表示模型 | 第31-35页 |
| 2.5 基于浅层神经网络的跨领域情感分类研究方法 | 第35-44页 |
| 2.5.1 特征对齐技术 | 第35-39页 |
| 2.5.2 浅层神经网络模型 | 第39-44页 |
| 2.6 基于深度神经网络的跨领域情感分类技术 | 第44-51页 |
| 2.7 本章小结 | 第51-52页 |
| 第3章 多视角特征共享的领域空间对齐跨领域情感分类 | 第52-70页 |
| 3.1 引言 | 第52页 |
| 3.2 总体架构 | 第52-53页 |
| 3.3 领域间无歧义共享特征集合的构建 | 第53-56页 |
| 3.3.1 无极性分歧的情感词集合的构建 | 第54-55页 |
| 3.3.2 领域间无歧义共享特征集合的构建 | 第55-56页 |
| 3.4 领域间专有特征词对的提取 | 第56-61页 |
| 3.4.1 基于语法规则进行情感词对提取 | 第56-58页 |
| 3.4.2 基于关联规则进行特征词对提取 | 第58-61页 |
| 3.5 领域间统一特征空间的构建和分类模型的训练 | 第61-63页 |
| 3.6 实验结果与分析 | 第63-68页 |
| 3.6.1 数据集概述和预处理 | 第63页 |
| 3.6.2 实验设计和结果分析 | 第63-66页 |
| 3.6.3 参数分析 | 第66-68页 |
| 3.7 本章小结 | 第68-70页 |
| 第4章 基于领域不变特征的无监督领域对抗自适应深度神经网络 | 第70-92页 |
| 4.1 引言 | 第70页 |
| 4.2 算法的设计思想 | 第70-71页 |
| 4.3 算法的网络结构框架 | 第71-72页 |
| 4.4 算法设计及优化计算方法 | 第72-81页 |
| 4.4.1 理论分析 | 第72-77页 |
| 4.4.2 算法的设计与优化 | 第77-81页 |
| 4.5 实验结果与分析 | 第81-89页 |
| 4.5.1 数据集概述和实验设计 | 第81-84页 |
| 4.5.2 实验结果和分析 | 第84-87页 |
| 4.5.3 参数分析和特征可视化 | 第87-89页 |
| 4.6 本章小结 | 第89-92页 |
| 第5章 领域对抗自适应神经网络在跨领域文本情感分类上的应用 | 第92-98页 |
| 5.1 引言 | 第92页 |
| 5.2 领域对抗自适应网络在跨领域文本情感分类问题上的结构框架 | 第92-95页 |
| 5.2.1 特征提取模块 | 第92-94页 |
| 5.2.2 网络结构框架 | 第94-95页 |
| 5.3 实验结果与分析 | 第95-97页 |
| 5.3.1 数据集概述与实验设计 | 第95-96页 |
| 5.3.2 实验结果与分析 | 第96-97页 |
| 5.4 本章小结 | 第97-98页 |
| 总结与展望 | 第98-100页 |
| 参考文献 | 第100-106页 |
| 攻读硕士学位期间所发表的学术论文 | 第106-108页 |
| 致谢 | 第108-109页 |
