| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-16页 |
| 1.1 背景 | 第10页 |
| 1.2 多领域研究意义 | 第10-12页 |
| 1.3 情感分析发展 | 第12-13页 |
| 1.4 工作内容 | 第13-14页 |
| 1.5 文章结构 | 第14-16页 |
| 第二章 细粒度情感分析方法 | 第16-30页 |
| 2.1 文本机器学习方法 | 第16-21页 |
| 2.1.1 隐含马尔科夫模型 | 第16-18页 |
| 2.1.2 K近邻算法 | 第18-19页 |
| 2.1.3 支持向量机 | 第19-20页 |
| 2.1.4 贝叶斯分类方法 | 第20-21页 |
| 2.2 递归神经网络 | 第21-26页 |
| 2.2.1 深度学习的复兴 | 第22-23页 |
| 2.2.2 神经网络的定义 | 第23-24页 |
| 2.2.3 误差反向传播训练 | 第24-26页 |
| 2.3 词向量表示理论基础 | 第26-29页 |
| 2.3.1 LAS模型 | 第26-27页 |
| 2.3.2 Word2vec词向量模型 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 微博文本准备与处理 | 第30-39页 |
| 3.1 微博及短文本 | 第30-33页 |
| 3.1.1 微博文本特征 | 第30页 |
| 3.1.2 情感分析研究层次 | 第30-31页 |
| 3.1.3 实验指标 | 第31页 |
| 3.1.4 语料库 | 第31-33页 |
| 3.2 数据处理 | 第33-36页 |
| 3.2.1 数据采集过程 | 第33-35页 |
| 3.2.2 繁体转换 | 第35-36页 |
| 3.2.3 去除特殊字符 | 第36页 |
| 3.3 词典构建 | 第36-38页 |
| 3.3.1 NLPlong分词系统 | 第36-37页 |
| 3.3.2 微博文本词典构建 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于递归神经网络的细粒度情感分析 | 第39-54页 |
| 4.1 基于RNTN的双极性情感分析 | 第39-44页 |
| 4.1.1 RNTN的网络模型训练 | 第39-41页 |
| 4.1.2 实验1:n-gram细粒度情感分类与结果分析 | 第41-43页 |
| 4.1.3 实验2:转折句情感分类与结果分析 | 第43-44页 |
| 4.1.4 实验3:否定句情感分类与结果分析 | 第44页 |
| 4.2 基于RAE的多类别情感分类 | 第44-48页 |
| 4.2.1 RAE的网络模型训练 | 第45-46页 |
| 4.2.2 实验1:RAE模型参数调整结果与分析 | 第46-48页 |
| 4.3 微博细粒度情感分类 | 第48-53页 |
| 4.3.1 方案设计 | 第48-50页 |
| 4.3.2 实验1:基于不同语料库的实验结果分析 | 第50-52页 |
| 4.3.3 实验2:基于不同情感分析方法的实验结果分析 | 第52-53页 |
| 4.3.4 实验总结和相关工作 | 第53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文总结 | 第54页 |
| 5.2 下一步工作 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58页 |