基于迁移学习的中文短文本情绪分析
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景 | 第14-17页 |
| 1.2 本文工作与主要贡献 | 第17-18页 |
| 1.3 组织结构 | 第18-19页 |
| 第二章 情感分析及迁移学习研究现状 | 第19-24页 |
| 2.1 情感分析概念及相关技术 | 第19-21页 |
| 2.2 迁移学习概述及研究现状 | 第21-23页 |
| 2.3 常用中文情感分析语料库 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 中文短文本特征分析 | 第24-43页 |
| 3.1 情绪分析问题概述 | 第24-26页 |
| 3.1.1 情绪分析问题描述 | 第24-25页 |
| 3.1.2 有监督机器学习方法处理框架 | 第25-26页 |
| 3.2 特征提取预备知识 | 第26-30页 |
| 3.2.1 自然语言处理 | 第26-27页 |
| 3.2.2 常用特征 | 第27-30页 |
| 3.3 新浪微博文本特征分析 | 第30-36页 |
| 3.3.1 新浪微博数据介绍 | 第30-32页 |
| 3.3.2 新浪微博数据预处理 | 第32-34页 |
| 3.3.3 词向量产生模式 | 第34-36页 |
| 3.4 实验设置及结果分析 | 第36-42页 |
| 3.4.1 评价指标 | 第36页 |
| 3.4.2 实验结果分析 | 第36-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于样本的中文情绪分析迁移学习方法 | 第43-61页 |
| 4.1 迁移学习 | 第43-45页 |
| 4.1.1 迁移学习概述 | 第43-45页 |
| 4.1.2 情感分析迁移学习描述 | 第45页 |
| 4.2 EATAdaBoost模型 | 第45-52页 |
| 4.2.1 EATAdaBoost相关工作 | 第45-46页 |
| 4.2.2 EATAdaBoost原理 | 第46-48页 |
| 4.2.3 关键样本的选取 | 第48-49页 |
| 4.2.4 EATAdaBoost算法框架 | 第49-51页 |
| 4.2.5 样本的表示 | 第51-52页 |
| 4.3 EATAdaBoost处理流程 | 第52-53页 |
| 4.4 实验设置和分析 | 第53-60页 |
| 4.4.1 实验数据 | 第53-55页 |
| 4.4.2 结果分析 | 第55-60页 |
| 4.5 本章小节 | 第60-61页 |
| 第五章 基于参数的中文情绪分析迁移学习方法 | 第61-77页 |
| 5.1 预备知识 | 第61-66页 |
| 5.1.1 基于神经网络的迁移学习方法概述 | 第61-62页 |
| 5.1.2 相关模型介绍 | 第62-66页 |
| 5.2 迁移学习框架构建 | 第66-70页 |
| 5.2.1 数据集介绍 | 第66-67页 |
| 5.2.2 数据预处理 | 第67-68页 |
| 5.2.3 神经网络迁移学习处理框架 | 第68-70页 |
| 5.3 实验设置和分析 | 第70-76页 |
| 5.3.1 实验设置 | 第70页 |
| 5.3.2 实验分析 | 第70-76页 |
| 5.4 本章小节 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 本文工作总结 | 第77-78页 |
| 6.2 未来工作展望 | 第78-79页 |
| 参考文献 | 第79-88页 |
| 致谢 | 第88-90页 |
| 攻读硕士学位期间发表论文和科研情况 | 第90页 |
