基于深度学习的文本情感分析研究
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题的研究背景 | 第11-12页 |
| 1.2 课题的研究目的和意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 传统情感分析的研究现状 | 第13-14页 |
| 1.3.2 深度学习在情感分析方面的研究现状 | 第14-15页 |
| 1.4 本文的研究内容 | 第15-16页 |
| 1.5 本文的结构安排 | 第16-17页 |
| 2 传统情感分析的相关知识 | 第17-30页 |
| 2.1 情感分析概论 | 第17页 |
| 2.2 文本预处理 | 第17-20页 |
| 2.2.1 文本的分词 | 第17-19页 |
| 2.2.2 文本的停用词和标签处理 | 第19-20页 |
| 2.3 基于词典的情感分析 | 第20-22页 |
| 2.3.1 词典构建 | 第20-21页 |
| 2.3.2 极性计算 | 第21-22页 |
| 2.4 基于机器学习的情感分析 | 第22-29页 |
| 2.4.1 文本表示 | 第22-23页 |
| 2.4.2 特征筛选 | 第23-25页 |
| 2.4.3 特征权重计算 | 第25页 |
| 2.4.4 常用的文本分类器 | 第25-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 语言模型及词向量介绍 | 第30-41页 |
| 3.1 神经网络与语言模型背景知识 | 第30-35页 |
| 3.1.1 人工神经网络相关介绍 | 第30-33页 |
| 3.1.2 语言模型的理论知识 | 第33-35页 |
| 3.2 词向量模型 | 第35-40页 |
| 3.2.1 CBOW模型 | 第35-38页 |
| 3.2.2 Skip-gram模型 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 4 基于深度学习的情感分析 | 第41-62页 |
| 4.1 深度学习模型 | 第41-46页 |
| 4.1.1 CNN神经网络 | 第41-43页 |
| 4.1.2 RNN神经网络 | 第43-45页 |
| 4.1.3 LSTM神经网络 | 第45-46页 |
| 4.2 CC-LSTM情感分析模型 | 第46-56页 |
| 4.2.1 网络结构 | 第47-48页 |
| 4.2.2 实验数据和环境配置 | 第48-49页 |
| 4.2.3 评估指标介绍 | 第49-50页 |
| 4.2.4 实验设计和结果分析 | 第50-56页 |
| 4.3 ICC-LSTM情感分析模型 | 第56-61页 |
| 4.3.1 模型框架 | 第56-59页 |
| 4.3.2 实验数据和衡量标准 | 第59页 |
| 4.3.3 模型对比和评估 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 创新点 | 第62-63页 |
| 5.3 展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读学位期间的学术论文与研究成果 | 第69-70页 |
| 致谢 | 第70页 |
