| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 医疗论坛研究现状 | 第15-16页 |
| 1.2.2 主题识别研究现状 | 第16-17页 |
| 1.2.3 文本情感分析研究现状 | 第17-19页 |
| 1.3 研究内容与框架 | 第19-21页 |
| 1.3.1 研究内容及主要贡献 | 第19-20页 |
| 1.3.2 研究框架 | 第20-21页 |
| 1.4 研究方法 | 第21-23页 |
| 2 相关理论概述 | 第23-37页 |
| 2.1 主题识别相关理论概述 | 第23-27页 |
| 2.1.1 主题识别相关概念 | 第23页 |
| 2.1.2 主题识别的研究方法 | 第23-24页 |
| 2.1.3 LDA主题模型理论概述 | 第24-27页 |
| 2.2 文本情感分析理论概述 | 第27-36页 |
| 2.2.1 情感分析相关理论概述 | 第27-28页 |
| 2.2.2 文本情感分析的研究方法 | 第28页 |
| 2.2.3 DNN理论概述 | 第28-36页 |
| 2.3 本章小结 | 第36-37页 |
| 3 基于改进LDA模型的脑血管病医疗论坛主题识别研究 | 第37-45页 |
| 3.1 LDA模型存在的缺陷 | 第37-39页 |
| 3.1.1 原始LDA主题模型存在的缺陷 | 第37-38页 |
| 3.1.2 基于TF-IDF加权的LDA模型的缺陷 | 第38-39页 |
| 3.2 改进的LDA主题模型的提出 | 第39-41页 |
| 3.2.1 改进后的模型描述 | 第39页 |
| 3.2.2 改进后的算法描述 | 第39-41页 |
| 3.3 改进的LDA模型主题分析的评价方法 | 第41-42页 |
| 3.4 改进的LDA模型主题分析的框架 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 基于DNN的脑血管病医疗论坛的文本情感分析研究 | 第45-51页 |
| 4.1 BP算法存在的缺陷 | 第45-46页 |
| 4.2 基于交叉熵的BP算法及流程 | 第46-48页 |
| 4.2.1 基于交叉熵的BP算法描述 | 第46-47页 |
| 4.2.2 基于交叉熵的BP算法的流程介绍 | 第47-48页 |
| 4.3 基于DNN的文本情感分析框架 | 第48-49页 |
| 4.4 本章小结 | 第49-51页 |
| 5 脑血管病医疗论坛的主题与文本情感分析的实证研究 | 第51-65页 |
| 5.1 实证研究对象的选取 | 第51-52页 |
| 5.2 实验数据的获取及预处理 | 第52-53页 |
| 5.2.1 实验数据的获取 | 第52页 |
| 5.2.2 实验数据的预处理 | 第52-53页 |
| 5.3 基于改进的LDA模型的主题分析实证研究 | 第53-55页 |
| 5.3.1 实验参数的设置 | 第53页 |
| 5.3.2 实验结果分析及评价 | 第53-55页 |
| 5.4 基于DNN的文本情感分析实证研究 | 第55-56页 |
| 5.4.1 实验数据集的标注情况 | 第55页 |
| 5.4.2 文档的向量表示和参数的设置 | 第55页 |
| 5.4.3 实验结果的评价 | 第55-56页 |
| 5.5 主题识别与文本情感分析实验结果的结合讨论 | 第56-63页 |
| 5.5.1 主题识别实验结果的讨论 | 第56-59页 |
| 5.5.2 文本情感分析实验结果的讨论 | 第59页 |
| 5.5.3 研究结果的综合讨论 | 第59-61页 |
| 5.5.4 研究结果的进一步应用 | 第61-63页 |
| 5.6 本章小结 | 第63-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 研究结论 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
