| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-14页 |
| 1.4 本文的结构 | 第14-16页 |
| 第二章 神经网络语言模型 | 第16-28页 |
| 2.1 神经网络和深度学习的介绍 | 第16-17页 |
| 2.2 N-gram语言模型的介绍 | 第17-18页 |
| 2.3 神经网络语言模型的介绍 | 第18-19页 |
| 2.4 前馈神经网络语言模型 | 第19-22页 |
| 2.5 循环神经网络介绍 | 第22-25页 |
| 2.6 卷积神经网络介绍 | 第25-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 词的表示学习的研究 | 第28-44页 |
| 3.1 词的表示学习的研究意义 | 第28页 |
| 3.2 word2vec词向量模型 | 第28-31页 |
| 3.2.1 Continuous bag of words Model | 第29-30页 |
| 3.2.2 skip-gram Model | 第30-31页 |
| 3.3 Global Vector Model | 第31-33页 |
| 3.4 词的表示学习的优化 | 第33-36页 |
| 3.4.1 层次化softmax的研究与优化 | 第34-35页 |
| 3.4.2 position dependent weight的研究和shared representation的研究 | 第35-36页 |
| 3.5 词的相似性和词类比实验 | 第36-43页 |
| 3.5.1 层次化softmax的研究与优化的实验结果 | 第37-41页 |
| 3.5.2 position dependent weight和shared representation的实验结果 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 词向量和段落向量的联合学习 | 第44-50页 |
| 4.1 段落的表示的研究意义 | 第44页 |
| 4.2 段落向量模型的介绍 | 第44-46页 |
| 4.3 段落向量的模型的改进研究 | 第46-48页 |
| 4.3.1 权重向量和逆词频改进段落向量模型 | 第46-47页 |
| 4.3.2 使用段落向量增强词向量的效果 | 第47-48页 |
| 4.4 基于循环神经网络的段落向量 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 情感倾向判断的研究 | 第50-56页 |
| 5.1 传统的情感倾向判断方法 | 第50页 |
| 5.2 基于段落向量的情感倾向判断 | 第50-53页 |
| 5.2.1 实验的数据 | 第50-51页 |
| 5.2.2 基于段落向量的情感倾向判断的实验结果和分析 | 第51-52页 |
| 5.2.3 改进段落向量的结果 | 第52页 |
| 5.2.4 问题以及激活函数的选取研究 | 第52-53页 |
| 5.3 基于循环神经网络的情感倾向判断 | 第53-55页 |
| 5.3.1 基于循环神经网络的生成模型 | 第54页 |
| 5.3.2 基于循环神经网络的段落向量 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间发表的学术论文目录 | 第61页 |
