| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究思路 | 第13-15页 |
| 1.3.1 研究思路 | 第13-14页 |
| 1.3.2 章节结构 | 第14-15页 |
| 1.4 创新点 | 第15-17页 |
| 2 文献综述与理论基础 | 第17-25页 |
| 2.1 网络舆情情感分类研究现状 | 第17-18页 |
| 2.1.1 基于情感词汇语义特性的情感分类 | 第17页 |
| 2.1.2 基于自然语言处理的情感分类 | 第17-18页 |
| 2.2 OCC情感模型研究 | 第18-21页 |
| 2.2.1 情感建模研究现状 | 第18-20页 |
| 2.2.2 OCC情感模型的应用 | 第20-21页 |
| 2.3 深度学习与情感分类 | 第21-23页 |
| 2.3.1 深度学习相关研究 | 第21-22页 |
| 2.3.2 卷积神经网络及应用 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 基于OCC模型的网络舆情情感规则设计 | 第25-33页 |
| 3.1 OCC模型认知机理 | 第25-26页 |
| 3.2 基于OCC模型的网络舆情情感类别映射 | 第26-29页 |
| 3.3 基于OCC模型的网络舆情情感规则库建立 | 第29-32页 |
| 3.3.1 “Fortunes ofother”的情感类型 | 第29-30页 |
| 3.3.2 “Attribution”的情感类型 | 第30页 |
| 3.3.3 “Compounds”的情感类型 | 第30-31页 |
| 3.3.4 “Attraction”的情感类型 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于深度学习的网络舆情情感规则识别 | 第33-41页 |
| 4.1 文本表示 | 第33-35页 |
| 4.2 卷积神经网络 | 第35-39页 |
| 4.2.1 卷积层 | 第36-37页 |
| 4.2.2 池化层 | 第37-38页 |
| 4.2.3 全连接层和输出层 | 第38-39页 |
| 4.3 支持向量机 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 实证研究 | 第41-58页 |
| 5.1 实验目的 | 第41页 |
| 5.2 实验数据集 | 第41-42页 |
| 5.3 实验变量 | 第42-43页 |
| 5.3.1 模型变量 | 第42-43页 |
| 5.3.2 影响要素变量 | 第43页 |
| 5.4 实验基本内容设计 | 第43-48页 |
| 5.4.1 网络舆情数据爬取 | 第43页 |
| 5.4.2 网络舆情文本情感标注 | 第43-44页 |
| 5.4.3 网络舆情情感分类实现 | 第44-46页 |
| 5.4.4 网络舆情情感识别模型训练 | 第46-47页 |
| 5.4.5 网络舆情情感识别的评价度量 | 第47页 |
| 5.4.6 情感标注的对比分析 | 第47页 |
| 5.4.7 情感分类器的对比分析 | 第47-48页 |
| 5.5 讨论和分析 | 第48-57页 |
| 5.5.1 超参数分析 | 第48-55页 |
| 5.5.2 对比实验 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 6 总结和展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 不足与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 附录 | 第67页 |