| 内容摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 引言 | 第9-13页 |
| 1.1 选题研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文研究目的 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 第2章 相关理论基础 | 第13-37页 |
| 2.1 机器学习 | 第13-24页 |
| 2.1.1 机器学习基础概念 | 第13页 |
| 2.1.2 代价函数和梯度下降 | 第13-15页 |
| 2.1.3 一种常用的分类算法——逻辑回归 | 第15-18页 |
| 2.1.4 过拟合和正则化 | 第18-22页 |
| 2.1.5 机器学习的误差分析 | 第22-24页 |
| 2.2 神经网络 | 第24-31页 |
| 2.2.1 神经网络简介 | 第24-27页 |
| 2.2.2 人工神经网络模型表示 | 第27-29页 |
| 2.2.3 神经网络模型的学习过程 | 第29-31页 |
| 2.3 HUFFMAN编码和统计语言模型 | 第31-37页 |
| 2.3.1 Huffman编码 | 第31-33页 |
| 2.3.2 统计语言模型 | 第33-37页 |
| 第3章 SVC和AT-LSTM分别进行情感分析 | 第37-78页 |
| 3.1 实验语料数据处理 | 第37-41页 |
| 3.1.1 本文的语料数据 | 第37-38页 |
| 3.1.2 中文切词和去除标点 | 第38-40页 |
| 3.1.3 停用词 | 第40-41页 |
| 3.2 WORD2VEC生成词向量 | 第41-49页 |
| 3.2.1 word2vec简介 | 第41-42页 |
| 3.2.2 word2vec网络模型 | 第42-46页 |
| 3.2.3 word2vec词向量的性质 | 第46-47页 |
| 3.2.4 常识词向量和语境词向量的拼接 | 第47-49页 |
| 3.3 使用SVC进行情感分析 | 第49-63页 |
| 3.3.1 支持向量机简介 | 第49-50页 |
| 3.3.2 线性可分的支持向量机模型 | 第50-52页 |
| 3.3.3 核函数 | 第52-54页 |
| 3.3.4 线性不可分问题的支持向量机 | 第54-55页 |
| 3.3.5 算法设计及流程 | 第55-56页 |
| 3.3.6 算法难点：从词到句 | 第56-59页 |
| 3.3.7 词向量“投票” | 第59-60页 |
| 3.3.8 使用支持向量机进行情感分析的实验 | 第60-63页 |
| 3.4 以WORD2VEC作为输入的AT-LSTM进行情感分析 | 第63-77页 |
| 3.4.1 RNN-LSTM循环神经网络 | 第63-68页 |
| 3.4.2 编码器-解码器的RNN模型 | 第68-70页 |
| 3.4.3 Attention机制 | 第70-73页 |
| 3.4.4 算法设计及流程 | 第73-75页 |
| 3.4.5 以word2vec为输入的AT-LSTM进行情感分析的实验 | 第75-77页 |
| 3.5 本章小结 | 第77-78页 |
| 第4章 SVC和AT-LSTM结合进行情感分析 | 第78-85页 |
| 4.1 算法设计及流程 | 第78-79页 |
| 4.2 结合算法的数学原理 | 第79-81页 |
| 4.3 AT-LSTM训练句子向量 | 第81-83页 |
| 4.4 SVC分类实验结果 | 第83-85页 |
| 第5章 总结和展望 | 第85-86页 |
| 参考文献 | 第86-88页 |
| 附录 | 第88-122页 |
| 附录1 使用SVC进行文本分类PYTHON主要代码 | 第88-92页 |
| 附录2 处理词向量和中文句子PYTHON主要代码 | 第92-99页 |
| 附录3 使用AT-LSTM进行文本分类PYTHON主要代码 | 第99-111页 |
| 附录4 将AT-LSTM和SVC结合进行文本分类PYTHON主要代码 | 第111-122页 |
