目标函数与策略优化的文本情感分析研究
致谢 | 第4-5页 |
摘要 | 第5-6页 |
Abstract | 第6页 |
1 绪论 | 第13-20页 |
1.1 研究背景及意义 | 第13-15页 |
1.1.1 研究背景 | 第13-15页 |
1.1.2 研究意义 | 第15页 |
1.2 国内外研究现状 | 第15-18页 |
1.3 主要研究工作、创新点及论文组织结构 | 第18-19页 |
1.3.1 主要研究工作 | 第18页 |
1.3.2 主要创新点 | 第18-19页 |
1.3.3 论文组织结构 | 第19页 |
1.4 本章小结 | 第19-20页 |
2 文本情感分析原理及过程 | 第20-29页 |
2.1 文本情感分析概述 | 第20-21页 |
2.2 文本的特征提取 | 第21-24页 |
2.2.1 文本的形式化表示 | 第21-23页 |
2.2.1.1 向量空间模型 | 第21-22页 |
2.2.1.2 词袋模型 | 第22页 |
2.2.1.3 n-gram模型 | 第22-23页 |
2.2.2 特征选择方法 | 第23页 |
2.2.3 特征权重计算方法 | 第23-24页 |
2.2.3.1 词频权重 | 第23页 |
2.2.3.2 词频-逆文档权重 | 第23-24页 |
2.3 分类器 | 第24-26页 |
2.3.1 朴素贝叶斯分类器 | 第24-25页 |
2.3.2 KNN分类器 | 第25页 |
2.3.3 逻辑回归分类器 | 第25-26页 |
2.3.4 SVM分类器 | 第26页 |
2.4 评估指标 | 第26-28页 |
2.4.1 召回率 | 第26-27页 |
2.4.2 精度 | 第27页 |
2.4.3 F值 | 第27页 |
2.4.4 正确率与错误率 | 第27-28页 |
2.5 本章小结 | 第28-29页 |
3 目标函数优化的文本特征提取算法 | 第29-38页 |
3.1 Word2Vec词向量学习算法 | 第29-31页 |
3.1.1 CBOW模型 | 第30页 |
3.1.2 Skip-gram模型 | 第30-31页 |
3.2 T-Word2Vec算法 | 第31-33页 |
3.3 T-Doc2Vec文本特征提取算法 | 第33-34页 |
3.4 实验设计及结果分析 | 第34-36页 |
3.4.1 实验数据 | 第34-35页 |
3.4.2 实验环境 | 第35页 |
3.4.3 实验设计 | 第35页 |
3.4.4 实验结果及分析 | 第35-36页 |
3.4.5 结论 | 第36页 |
3.5 本章小结 | 第36-38页 |
4 仿生策略优化的混合鲸鱼算法 | 第38-54页 |
4.1 群智优化算法概述 | 第38-39页 |
4.2 标准鲸鱼算法 | 第39-42页 |
4.2.1 座头鲸的进食机制 | 第39-40页 |
4.2.2 标准鲸鱼算法原理 | 第40-42页 |
4.2.2.1 收缩圈方式 | 第40-41页 |
4.2.2.2 螺旋方式 | 第41-42页 |
4.2.2.3 搜索阶段 | 第42页 |
4.3 仿生策略优化的混合鲸鱼算法 | 第42-46页 |
4.3.1 混沌映射初始化种群 | 第42-43页 |
4.3.2 自适应调整搜索策略 | 第43-44页 |
4.3.3 仿生策略优化的混合鲸鱼算法 | 第44-46页 |
4.4 实验设计及结果分析 | 第46-53页 |
4.4.1 实验数据 | 第46页 |
4.4.2 实验环境 | 第46-47页 |
4.4.3 实验设计 | 第47页 |
4.4.4 实验结果及分析 | 第47-52页 |
4.4.5 结论 | 第52-53页 |
4.5 本章小结 | 第53-54页 |
5 仿生策略优化的混合鲸鱼算法的应用 | 第54-62页 |
5.1 原理分析及实现过程 | 第54-57页 |
5.1.1 文本情感分析的参数 | 第54-56页 |
5.1.2 优化参数的选择 | 第56页 |
5.1.3 实现过程 | 第56-57页 |
5.2 实验设计及结果分析 | 第57-61页 |
5.2.1 实验数据 | 第57页 |
5.2.2 实验环境 | 第57页 |
5.2.3 实验设计 | 第57-58页 |
5.2.4 实验结果及分析 | 第58-61页 |
5.2.5 结论 | 第61页 |
5.3 本章小结 | 第61-62页 |
6 总结与展望 | 第62-64页 |
6.1 全文总结 | 第62-63页 |
6.2 研究展望 | 第63-64页 |
参考文献 | 第64-67页 |
作者简介 | 第67-68页 |
攻读硕士学位期间主要的研究成果 | 第68页 |