| 中文摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景、目的及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 文本情感分类 | 第13页 |
| 1.2.2 迁移学习 | 第13-14页 |
| 1.2.3 主动学习 | 第14-15页 |
| 1.2.4 时序数据 | 第15页 |
| 1.3 本文研究工作 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 文本情感预测的问题分析 | 第18-22页 |
| 2.1 文本情感预测面临的困难 | 第18-19页 |
| 2.2 实验语料及预处理 | 第19-20页 |
| 2.3 本章小结 | 第20-22页 |
| 第三章 基于主动学习和迁移学习的跨领域文本情感预测 | 第22-32页 |
| 3.1 特征抽取方法 | 第22-23页 |
| 3.2 初始种子选择算法 | 第23-25页 |
| 3.2.1 领域公共特征选择算法 | 第24页 |
| 3.2.2 多领域集成的样本选择算法 | 第24-25页 |
| 3.3 基于主动学习的模型优化算法 | 第25-27页 |
| 3.4 实验结果与分析 | 第27-30页 |
| 3.4.1 传统的SVM监督分类方法 | 第27页 |
| 3.4.2 初始种子选择数量对分类模型优化结果的影响 | 第27-28页 |
| 3.4.3 多领域集成策略对初始种子准确率的影响 | 第28-29页 |
| 3.4.4 迭代次数对分类模型优化结果的影响 | 第29页 |
| 3.4.5 三种分类算法的跨领域文本情感预测结果比较 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 基于主动学习和迁移学习的时序评论情感预测 | 第32-38页 |
| 4.1 初始种子选择策略 | 第32-33页 |
| 4.2 基于SMOTE算法平衡训练语料 | 第33-34页 |
| 4.3 实验结果与分析 | 第34-37页 |
| 4.3.1 传统的SVM监督分类方法 | 第34-35页 |
| 4.3.2 基于平衡训练语料的情感预测效果 | 第35-36页 |
| 4.3.3 SMOTE与UN_SMOTE算法情感预测结果比较 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 结论与展望 | 第38-40页 |
| 5.1 结论 | 第38-39页 |
| 5.2 展望 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 攻读学位期间取得的研究成果 | 第44-46页 |
| 致谢 | 第46-48页 |
| 个人简况及联系方式 | 第48-52页 |
