| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于情感词典的无监督情感分析 | 第13-15页 |
| 1.2.2 基于机器学习的有监督情感分析 | 第15-16页 |
| 1.2.3 基于深度学习的半监督情感分析 | 第16-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 第2章 相关技术与理论基础 | 第19-37页 |
| 2.1 引言 | 第19页 |
| 2.2 数据预处理 | 第19-20页 |
| 2.2.1 过滤停用词与特殊符号 | 第19页 |
| 2.2.2 中文分词 | 第19-20页 |
| 2.3 词向量 | 第20-27页 |
| 2.3.1 什么是词向量 | 第20-21页 |
| 2.3.2 词向量训练模型 | 第21-27页 |
| 2.4 评价指标 | 第27-28页 |
| 2.4.1 查准率 | 第27页 |
| 2.4.2 召回率 | 第27-28页 |
| 2.4.3 F1值 | 第28页 |
| 2.4.4 准确率 | 第28页 |
| 2.5 深度学习算法 | 第28-36页 |
| 2.5.1 起源——人工神经网络 | 第28-31页 |
| 2.5.2 卷积神经网络 | 第31-33页 |
| 2.5.3 递归神经网络 | 第33-34页 |
| 2.5.4 长短时记忆神经网络 | 第34-36页 |
| 2.6 小结 | 第36-37页 |
| 第3章 基于卷积神经网络和词语邻近特征的情感分析模型 | 第37-44页 |
| 3.1 引言 | 第37页 |
| 3.2 词语的邻近特征 | 第37-38页 |
| 3.3 基于词语邻近特征的卷积神经网络模型 | 第38-40页 |
| 3.3.1 模型的结构 | 第38-39页 |
| 3.3.2 模型的原理 | 第39-40页 |
| 3.4 实验评估 | 第40-43页 |
| 3.4.1 数据集 | 第40-41页 |
| 3.4.2 数据预处理和预训练词向量 | 第41页 |
| 3.4.3 模型对比实验 | 第41-42页 |
| 3.4.4 实验结果与讨论 | 第42-43页 |
| 3.5 小结 | 第43-44页 |
| 第4章 基于递归神经网络和人工判定规则的情感分析模型 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 情感词典和人工判定规则 | 第44-45页 |
| 4.3 基于人工判定规则的LSTM递归神经网络模型 | 第45-49页 |
| 4.3.1 模型的结构 | 第45-48页 |
| 4.3.2 模型的原理 | 第48-49页 |
| 4.4 实验评估 | 第49-53页 |
| 4.4.1 数据集 | 第49-50页 |
| 4.4.2 数据预处理和预训练词向量 | 第50页 |
| 4.4.3 模型对比实验 | 第50-51页 |
| 4.4.4 实验结果与讨论 | 第51-53页 |
| 4.5 小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 附录A 攻读硕士学位期间发表的论文 | 第63-64页 |
| 附录B 攻读硕士学位期间参与的项目 | 第64页 |
