| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 分词及其向量化概述 | 第11-12页 |
| 1.2.2 深度学习研究现状 | 第12-13页 |
| 1.2.3 情感分析研究现状 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-18页 |
| 2 理论研究及相关技术 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 现有词的分布表示技术 | 第18-25页 |
| 2.2.1 基于矩阵的分布表示 | 第18-19页 |
| 2.2.2 基于聚类的分布表示(分布聚类) | 第19-20页 |
| 2.2.3 基于神经网络的分布表示(词向量) | 第20-25页 |
| 2.3 深度学习方法 | 第25-26页 |
| 2.4 情感分析基础 | 第26-29页 |
| 2.4.1 情感特征的定义 | 第26-27页 |
| 2.4.2 词法分析 | 第27-28页 |
| 2.4.3 基于机器学习的分析 | 第28-29页 |
| 2.5 Spark分布式计算平台 | 第29-31页 |
| 2.5.1 Spark技术生态系统 | 第30页 |
| 2.5.2 Spark工作流程 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 3 感性词向量的学习框架 | 第32-42页 |
| 3.1 引言 | 第32页 |
| 3.2 感性词向量模型 | 第32-36页 |
| 3.2.1 词的上下文模型 | 第32-34页 |
| 3.2.2 情感极性模型(SEPM) | 第34-35页 |
| 3.2.3 混合情感极性模型(MSEPM) | 第35-36页 |
| 3.3 感性词向量模型的实验 | 第36-41页 |
| 3.3.1 参数学习设置 | 第36页 |
| 3.3.2 实验数据集 | 第36-37页 |
| 3.3.3 情感词获取实验 | 第37-40页 |
| 3.3.4 词级感性词向量实验 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于主动深度置信网络的情感分类 | 第42-54页 |
| 4.1 引言 | 第42页 |
| 4.2 自适应深度置信网络方法 | 第42-46页 |
| 4.2.1 ADBN的网络结构 | 第42-43页 |
| 4.2.2 ADBN的无监督学习方法 | 第43-44页 |
| 4.2.3 ADBN的监督学习方法 | 第44-45页 |
| 4.2.4 ADBN的算法 | 第45-46页 |
| 4.3 主动深度置信网络方法 | 第46-50页 |
| 4.3.1 主动学习问题描述 | 第47页 |
| 4.3.2 主动深度置信网络的主动学习方法 | 第47-48页 |
| 4.3.3 主动适应深度置信网络算法 | 第48-50页 |
| 4.4 ADN情感分类模型实验效果分析 | 第50-53页 |
| 4.4.1 实验数据与评价指标 | 第50页 |
| 4.4.2 实验设置 | 第50-51页 |
| 4.4.3 实验效果分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 基于Spark平台的情感分类模型优化 | 第54-64页 |
| 5.1 引言 | 第54页 |
| 5.2 Spark并行计算框架 | 第54-55页 |
| 5.3 Spark的算法的设计思想 | 第55-59页 |
| 5.3.1 HDFS实现的分布式存储 | 第56页 |
| 5.3.2 Spark平台下实现数据预处理的并行优化 | 第56-57页 |
| 5.3.3 ADN在Spark平台下的并行设计 | 第57-59页 |
| 5.4 实验验证 | 第59-62页 |
| 5.4.1 实验环境 | 第59-60页 |
| 5.4.2 实验实现步骤 | 第60-61页 |
| 5.4.3 实验结果分析 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读学位期间的科研成果 | 第74页 |