| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1.绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 情感要素现状 | 第13页 |
| 1.2.2 情感原因现状 | 第13-14页 |
| 1.3 文本大数据的特点 | 第14页 |
| 1.4 情感要素识别难点 | 第14-15页 |
| 1.5 情感原因判定难点 | 第15-16页 |
| 1.6 本文研究内容与目标 | 第16页 |
| 1.7 本文的组织结构 | 第16-18页 |
| 2.文本情感相关理论技术介绍 | 第18-26页 |
| 2.1 文本预处理 | 第18页 |
| 2.2 文本分词 | 第18-22页 |
| 2.2.1 分词 | 第19页 |
| 2.2.2 词性标注 | 第19-20页 |
| 2.2.3 序列标注 | 第20-21页 |
| 2.2.4 文本去噪声和停用词清洗 | 第21-22页 |
| 2.3 Word2Vec深度模型表示 | 第22-24页 |
| 2.3.1 Word2Vec词向量的表示 | 第22-23页 |
| 2.3.2 Word2Vec向量空间模型 | 第23页 |
| 2.3.3 Word2Vec的语言模型概念 | 第23-24页 |
| 2.4 依存分析 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3.基于LSTM特征模板的短文本情感要素分析与研究 | 第26-42页 |
| 3.1 情感要素模型 | 第26-29页 |
| 3.1.1 条件随机场模型 | 第26-27页 |
| 3.1.2 RNN模型 | 第27-28页 |
| 3.1.3 LSTM模型 | 第28-29页 |
| 3.2 基于LSTM的情感要素抽取 | 第29-34页 |
| 3.2.1 模型结构 | 第30-31页 |
| 3.2.2 特征的选择 | 第31-33页 |
| 3.2.3 词向量模型参数设置 | 第33-34页 |
| 3.3 文本情感要素算法设计与流程 | 第34-37页 |
| 3.3.1 实验算法思想流程 | 第34-35页 |
| 3.3.2 实验环境 | 第35页 |
| 3.3.3 实验数据 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-40页 |
| 3.4.1 实验评估标准 | 第37-38页 |
| 3.4.2 实验结果与分析 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 4.基于混合模型的情感原因判定分析 | 第42-55页 |
| 4.1 互联网短文本情感原因分析研究 | 第42-45页 |
| 4.1.1 情感原因树的构建 | 第42-44页 |
| 4.1.2 句法依存分析 | 第44-45页 |
| 4.2 混合模型的情感原因分析 | 第45-48页 |
| 4.2.1 情感原因模型 | 第45-46页 |
| 4.2.2 混合模型情感原因判定 | 第46-48页 |
| 4.3 文本情感原因判定的算法设计与流程 | 第48-52页 |
| 4.3.1 实验算法思想流程 | 第48-49页 |
| 4.3.2 实验数据 | 第49-52页 |
| 4.4 实验结果与分析 | 第52-54页 |
| 4.4.1 实验评估标准 | 第52-53页 |
| 4.4.2 实验结果与分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5.面向大数据的情感分析应用实例 | 第55-63页 |
| 5.1 舆情平台分析 | 第55-57页 |
| 5.2 要素提取舆情平台应用 | 第57-60页 |
| 5.3 情感原因判定舆情平台应用 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6.总结与展望 | 第63-66页 |
| 6.1 总结 | 第63-64页 |
| 6.2 创新点 | 第64页 |
| 6.3 未来展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 附录：攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70页 |