| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 社交媒体热点发现研究现状 | 第8-10页 |
| 1.3 社交媒体情感分析研究现状 | 第10-11页 |
| 1.4 本文主要研究内容与论文结构 | 第11-14页 |
| 1.4.1 论文主要研究内容 | 第11-12页 |
| 1.4.2 论文组织结构 | 第12-14页 |
| 2 相关技术介绍 | 第14-21页 |
| 2.1 文本表示技术 | 第14-15页 |
| 2.2 文本聚类技术 | 第15-16页 |
| 2.3 文本情感分类相关的神经网络技术 | 第16-21页 |
| 3 面向社交媒体的热点发现 | 第21-28页 |
| 3.1 基于特征融合的文本表示 | 第21-24页 |
| 3.1.1 简单规则的热点特征发现方法 | 第21-22页 |
| 3.1.2 基于Kleinberg模型的热点特征发现方法 | 第22-23页 |
| 3.1.3 基于特征融合的文本表示方法 | 第23-24页 |
| 3.2 基于绝对距离的single-pass聚类算法 | 第24页 |
| 3.3 实验与分析 | 第24-27页 |
| 3.3.1 数据集构建 | 第24-26页 |
| 3.3.2 实验结果 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 4 面向社交媒体的消息级文本情感分析 | 第28-40页 |
| 4.1 情感反义样本构造方法 | 第29-30页 |
| 4.2 对偶训练模型 | 第30-34页 |
| 4.2.1 独立对偶模型 | 第30-31页 |
| 4.2.2 联合对偶模型 | 第31-34页 |
| 4.3 对偶预测模型 | 第34页 |
| 4.4 实验结果与分析 | 第34-39页 |
| 4.4.1 数据集 | 第34-35页 |
| 4.4.2 基础模型与实验设置 | 第35-36页 |
| 4.4.3 独立对偶模型 | 第36-37页 |
| 4.4.4 联合对偶模型 | 第37-38页 |
| 4.4.5 独立对偶模型VS联合对偶模型 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 面向社交媒体的评价对象文本情感分析 | 第40-49页 |
| 5.1 细粒度情感分析相关介绍 | 第40-42页 |
| 5.1.1 相关概念定义 | 第40页 |
| 5.1.2 任务介绍 | 第40-41页 |
| 5.1.3 相关工作 | 第41-42页 |
| 5.2 评价对象独立表示的双边注意力神经网络模型 | 第42-44页 |
| 5.3 实验与分析 | 第44-48页 |
| 5.3.1 实验设置 | 第44-45页 |
| 5.3.2 实验结果 | 第45-46页 |
| 5.3.3 实验结果的进一步分析 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 工作总结 | 第49页 |
| 6.2 研究展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56页 |