| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究意义 | 第10-12页 |
| 1.3 研究现状 | 第12-15页 |
| 1.3.1 情感分析 | 第13-14页 |
| 1.3.2 领域适应方法 | 第14-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 组织结构 | 第16-18页 |
| 第2章 相关知识介绍 | 第18-25页 |
| 2.1 分布式词向量模型 | 第18-19页 |
| 2.1.1 概述 | 第18-19页 |
| 2.1.2 连续词袋模型 | 第19页 |
| 2.1.3 Skip-gram模型 | 第19页 |
| 2.2 支持向量机模型 | 第19-21页 |
| 2.2.1 支持向量机分类模型 | 第20-21页 |
| 2.2.2 支持向量机回归模型 | 第21页 |
| 2.3 长短时记忆神经网络 | 第21-22页 |
| 2.4 语料资源 | 第22-23页 |
| 2.5 性能评测指标 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 融合分类和回归模型的评论评分方法 | 第25-34页 |
| 3.1 引言 | 第25-26页 |
| 3.2 基本的LSTM评论评分方法 | 第26-28页 |
| 3.2.1 基于LSTM的评论分类模型 | 第26-28页 |
| 3.2.2 基于LSTM的评论回归模型 | 第28页 |
| 3.3 融合分类和回归模型的评论评分方法 | 第28-31页 |
| 3.3.1 主任务 | 第30页 |
| 3.3.2 辅助任务 | 第30页 |
| 3.3.3 联合学习 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-33页 |
| 3.4.1 实验设置 | 第31-32页 |
| 3.4.2 实验结果 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 情感回归的监督领域适应方法 | 第34-42页 |
| 4.1 引言 | 第34-35页 |
| 4.2 基于LSTM的情感回归方法 | 第35-36页 |
| 4.3 跨领域长短时记忆网络情感回归模型 | 第36-38页 |
| 4.3.1 目标领域情感回归 | 第36-37页 |
| 4.3.2 源领域情感回归 | 第37页 |
| 4.3.3 联合学习 | 第37-38页 |
| 4.4 实验 | 第38-41页 |
| 4.4.1 实验设置 | 第38-39页 |
| 4.4.2 实验结果 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 情感回归的半监督领域适应方法 | 第42-52页 |
| 5.1 引言 | 第42-44页 |
| 5.2 基于变分自编码器的情感回归半监督领域适应方法 | 第44-47页 |
| 5.2.1 基本的自编码器 | 第44-45页 |
| 5.2.2 基于变分自编码器的情感回归半监督领域适应方法 | 第45-47页 |
| 5.3 实验结果与分析 | 第47-51页 |
| 5.3.1 实验设置 | 第47-48页 |
| 5.3.2 实验结果 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 研究工作总结 | 第52-53页 |
| 6.2 下一步工作设想 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 攻读学位期间公开发表的论文 | 第61页 |
| 攻读学位期间公开申请的专利 | 第61-62页 |
| 攻读学位期间已授权的软件著作权 | 第62页 |
| 攻读学位期间参与的科研项目 | 第62-63页 |
| 致谢 | 第63-65页 |