| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 文本情感分析的研究现状 | 第12-13页 |
| 1.2.2 深度学习的研究现状 | 第13-14页 |
| 1.2.3 并行计算的研究现状 | 第14-15页 |
| 1.3 论文研究内容及组织结构 | 第15-17页 |
| 第2章 相关理论研究 | 第17-27页 |
| 2.1 Hadoop相关研究 | 第17-18页 |
| 2.2 MapReduce并行编程 | 第18-21页 |
| 2.2.1 Hadoop MapReduce工作机制 | 第18-20页 |
| 2.2.2 Hadoop MapReduce编程模型 | 第20-21页 |
| 2.3 深度学习相关理论 | 第21-26页 |
| 2.3.1 浅层学习和深度学习 | 第21-23页 |
| 2.3.2 深度学习模型的基本思想及训练方法 | 第23-24页 |
| 2.3.3 自编码器原理 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 Semi-Supervised RAE的并行化研究 | 第27-48页 |
| 3.1 基于Semi-Supervised RAE的文本情感分析模型 | 第27-32页 |
| 3.1.1 用词向量表示词语 | 第27-28页 |
| 3.1.2 传统的递归自编码算法 | 第28页 |
| 3.1.3 无监督递归自编码 | 第28-30页 |
| 3.1.4 情感分类的输出层训练方法 | 第30-31页 |
| 3.1.5 优化目标函数 | 第31-32页 |
| 3.2 Semi-Supervised RAE模型的训练并行化研究 | 第32-37页 |
| 3.2.1 主控算法 | 第33-35页 |
| 3.2.2 误差计算 | 第35-37页 |
| 3.2.3 参数调优 | 第37页 |
| 3.3 Semi-Supervised RAE模型的测试并行化研究 | 第37-40页 |
| 3.3.1 主控算法 | 第38-39页 |
| 3.3.2 语句最佳向量表示 | 第39页 |
| 3.3.3 情感标签获取 | 第39-40页 |
| 3.4 实验及结果分析 | 第40-46页 |
| 3.4.1 准确度分析 | 第41页 |
| 3.4.2 加速比 | 第41-44页 |
| 3.4.3 数据可扩展性 | 第44-45页 |
| 3.4.4 集群可扩展性 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 基于深度学习的藏文情感分析研究 | 第48-62页 |
| 4.1 藏文情感分析的研究现状 | 第48页 |
| 4.2 基于深度学习的藏文情感分析模型 | 第48-56页 |
| 4.2.1 藏文的分词和词向量表示词语 | 第49-51页 |
| 4.2.2 建立藏文的语句生成树 | 第51-53页 |
| 4.2.3 藏文情感分类 | 第53页 |
| 4.2.4 藏文语句误差计算 | 第53-54页 |
| 4.2.5 模型的训练方法 | 第54-55页 |
| 4.2.6 藏文情感分析算法 | 第55-56页 |
| 4.3 实验及结果分析 | 第56-61页 |
| 4.3.1 词向量维度和重构误差系数选择 | 第57-58页 |
| 4.3.2 语料集大小和算法准确度及训练时间的关系 | 第58-60页 |
| 4.3.3 深度学习算法和传统机器学习算法对比 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的学术论文及参与的科研项目 | 第69页 |
