融合Bi-LSTM和文本信息的对象级情感分析
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 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 深度学习发展与现状 | 第15-16页 |
| 1.3 论文研究内容 | 第16-18页 |
| 2 基于深度学习的对象级情感分析 | 第18-33页 |
| 2.1 循环神经网络及其变种 | 第18-24页 |
| 2.1.1 循环神经网络 | 第18-21页 |
| 2.1.2 长短时记忆网络 | 第21-23页 |
| 2.1.3 门限递归单元网络 | 第23-24页 |
| 2.2 循环神经网络的相关算法 | 第24-28页 |
| 2.2.1 梯度下降算法 | 第24-25页 |
| 2.2.2 反向传播算法 | 第25-27页 |
| 2.2.3 Dropout算法 | 第27-28页 |
| 2.3 词向量简介 | 第28-31页 |
| 2.3.1 词向量的表示 | 第28-30页 |
| 2.3.2 Word2Vec简介 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 3 面向对象级情感分析的情感词向量学习 | 第33-39页 |
| 3.1 情感词向量 | 第33-34页 |
| 3.1.1 词向量弊端 | 第33-34页 |
| 3.1.2 情感词向量简介 | 第34页 |
| 3.2 词向量学习算法 | 第34-37页 |
| 3.2.1 语言模型 | 第34-35页 |
| 3.2.2 基于上下文的算法 | 第35-37页 |
| 3.3 融合文本情感信息的词向量学习算法 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 融合Bi-LSTM和文本信息的模型介绍 | 第39-51页 |
| 4.1 问题定义及处理流程 | 第39-41页 |
| 4.1.1 问题的定义 | 第39-40页 |
| 4.1.2 问题处理流程 | 第40-41页 |
| 4.2 编码器的模型架构 | 第41-46页 |
| 4.2.1 Bi-LSTM神经络模型 | 第41-43页 |
| 4.2.2 位置权重 | 第43-44页 |
| 4.2.3 语义权重 | 第44-46页 |
| 4.3 分类器的模型架构 | 第46-50页 |
| 4.3.1 全连接层和Softmax层 | 第46-48页 |
| 4.3.2 损失函数 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 对象级情感分析实验与分析 | 第51-57页 |
| 5.1 实验简介及设置 | 第51-53页 |
| 5.1.1 实验简介 | 第51-52页 |
| 5.1.2 实验设置 | 第52-53页 |
| 5.2 实验数据及评价方法 | 第53-54页 |
| 5.2.1 实验数据 | 第53页 |
| 5.2.2 评价方法 | 第53-54页 |
| 5.3 实验结果及分析 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 学位论文数据集 | 第65页 |
