基于深度神经网络的文本情感分类研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 情感分析研究现状 | 第13-15页 |
| 1.2.2 领域自适应研究现状 | 第15-16页 |
| 1.3 本文的主要工作和创新点 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第2章 基本概念及相关知识 | 第18-24页 |
| 2.1 文本情感分析 | 第18-19页 |
| 2.2 注意力机制 | 第19-20页 |
| 2.3 衡量领域分布差异 | 第20-22页 |
| 2.4 Softmax分类模型 | 第22-24页 |
| 2.4.1 逻辑回归 | 第22-23页 |
| 2.4.2 softmax模型 | 第23-24页 |
| 第3章 结合情感词典与注意力机制的LSTM模型 | 第24-37页 |
| 3.1 标准的LSTM单元 | 第25-26页 |
| 3.2 结合情感字典的LSTM情感分类模型 | 第26-27页 |
| 3.3 结合情感词典与注意力机制的LSTM模型 | 第27-30页 |
| 3.3.1 注意力向量获取 | 第27-28页 |
| 3.3.2 模型介绍及相关公式 | 第28-30页 |
| 3.4 实验及结果 | 第30-33页 |
| 3.4.1 数据集及实验设置 | 第30-31页 |
| 3.4.2 实验结果对比 | 第31-33页 |
| 3.5 模型分析 | 第33-36页 |
| 3.5.1 结合情感字典的有效性 | 第33-34页 |
| 3.5.2 注意力机制分析 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于模糊与自动编码器的领域对抗模型 | 第37-52页 |
| 4.1 跨领域情感分类任务定义和符号 | 第38页 |
| 4.2 基于模糊与自动编码器的领域对抗模型 | 第38-44页 |
| 4.2.1 自动编码器 | 第39页 |
| 4.2.2 领域分类器 | 第39-41页 |
| 4.2.3 情感分类器 | 第41页 |
| 4.2.4 样本模糊值计算 | 第41-42页 |
| 4.2.5 模型训练 | 第42-44页 |
| 4.3 实验及结果 | 第44-47页 |
| 4.3.1 数据集和实验设置 | 第44-45页 |
| 4.3.2 实验结果对比 | 第45-47页 |
| 4.4 模型分析 | 第47-49页 |
| 4.4.1 参数分析 | 第47-48页 |
| 4.4.2 领域特征差异性分析 | 第48-49页 |
| 4.4.3 循环重训练模型 | 第49页 |
| 4.5 京东评论数据集 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52-53页 |
| 5.2 未来研究工作 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士学位期间的研究成果 | 第60页 |
