基于特征自主学习的社交网络的情感分析
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第9-17页 |
| 1.1 课题的研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 情感分析的研究现状 | 第10-12页 |
| 1.2.1.1 词语级情感分析 | 第10-11页 |
| 1.2.1.2 句子级情感分析 | 第11-12页 |
| 1.2.1.3 篇章级情感分析 | 第12页 |
| 1.2.2 特征学习的研究现状 | 第12-13页 |
| 1.3 情感分析的难点 | 第13-14页 |
| 1.4 论文的主要工作 | 第14-16页 |
| 1.5 论文的组织结构 | 第16-17页 |
| 第二章 基于特征自主学习的情感分析的总体框架 | 第17-20页 |
| 2.1 引言 | 第17页 |
| 2.2 基于特征自主学习的情感分析总体框架 | 第17-19页 |
| 2.2.1 文本底层特征提取 | 第18页 |
| 2.2.2 中层特征自主学习 | 第18-19页 |
| 2.2.3 情感倾向分析 | 第19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 文本底层特征提取 | 第20-28页 |
| 3.1 引言 | 第20页 |
| 3.2 文本预处理 | 第20-22页 |
| 3.3 情感词典 | 第22-25页 |
| 3.3.1 词性选择 | 第23-24页 |
| 3.3.2 底层特征选择 | 第24-25页 |
| 3.4 基于底层特征的文本表达 | 第25-27页 |
| 3.4.1 文本表示模型 | 第25-26页 |
| 3.4.2 底层特征权重计算 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 中层特征自主学习 | 第28-40页 |
| 4.1 引言 | 第28页 |
| 4.2 词向量 | 第28-29页 |
| 4.3 Word2Vec | 第29-36页 |
| 4.3.1 CBOW模型 | 第30-34页 |
| 4.3.1.1 网络结构 | 第30-31页 |
| 4.3.1.2 梯度计算 | 第31-34页 |
| 4.3.2 Skip-gram模型 | 第34-36页 |
| 4.4 基于Word2 Vec的中层特征自主学习 | 第36-38页 |
| 4.5 基于中层特征的文本表达 | 第38-39页 |
| 4.5.1 选择性词向量累加表示法 | 第38页 |
| 4.5.2 Pooling表示法 | 第38-39页 |
| 4.6 本章小结 | 第39-40页 |
| 第五章 情感倾向分析 | 第40-48页 |
| 5.1 引言 | 第40页 |
| 5.2 算法的主体框架 | 第40-41页 |
| 5.3 超限学习机(ELM) | 第41-46页 |
| 5.3.1 网络结构 | 第41-42页 |
| 5.3.2 训练过程 | 第42-45页 |
| 5.3.3 Kernel ELM | 第45-46页 |
| 5.4 基于Kernel ELM的情感倾向分析 | 第46页 |
| 5.5 本章总结 | 第46-48页 |
| 第六章 实验设计与结果分析 | 第48-57页 |
| 6.1 数据集介绍 | 第48-50页 |
| 6.1.1 酒店评论数据 | 第48-49页 |
| 6.1.2 新浪微博数据 | 第49-50页 |
| 6.2 编程环境 | 第50页 |
| 6.3 通用参数 | 第50-53页 |
| 6.3.1 评价指标 | 第50-51页 |
| 6.3.2 文本底层特征提取 | 第51页 |
| 6.3.3 中层特征自主学习 | 第51-53页 |
| 6.3.4 情感倾向分析 | 第53页 |
| 6.4 酒店评价数据结果分析 | 第53-55页 |
| 6.5 新浪微博数据结果分析 | 第55-56页 |
| 6.6 本章小结 | 第56-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历 | 第64-65页 |
| 在学期间的研究成果及发表的学术论文 | 第65页 |
