| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 引言 | 第13-21页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 基于词典的方法发展现状 | 第15-16页 |
| 1.2.2 传统机器学习方法的发展现状 | 第16-17页 |
| 1.2.3 基于深度学习方法的发展现状 | 第17-18页 |
| 1.3 本文工作 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-21页 |
| 第二章 情感分析相关技术 | 第21-33页 |
| 2.1 基于词典的情感分析方法 | 第21-22页 |
| 2.2 基于传统机器学习的文本情感分析算法 | 第22-25页 |
| 2.2.1 朴素贝叶斯模型 | 第22-23页 |
| 2.2.2 支持向量机模型 | 第23-24页 |
| 2.2.3 K最近邻模型 | 第24-25页 |
| 2.3 深度学习方法 | 第25-32页 |
| 2.3.1 人工神经网络 | 第25-27页 |
| 2.3.2 卷积神经网络 | 第27-28页 |
| 2.3.3 循环神经网络及长短时记忆模型 | 第28-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于深度学习的情感分析模型 | 第33-47页 |
| 3.1 模型流程 | 第33-39页 |
| 3.1.1 文本获取 | 第34-35页 |
| 3.1.2 文本预处理 | 第35-37页 |
| 3.1.3 文本向量化表示 | 第37-39页 |
| 3.2 基于CNN和双向LSTM的CNN-BLSTM模型 | 第39-43页 |
| 3.2.1 卷积层 | 第40-41页 |
| 3.2.2 池化层 | 第41页 |
| 3.2.3 双向LSTM层 | 第41-43页 |
| 3.2.4 全连接层和分类器 | 第43页 |
| 3.3 基于注意力机制的CNN-BLSTM-Attention模型 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 实验与分析 | 第47-57页 |
| 4.1 语料数据 | 第47页 |
| 4.2 实验评价标准 | 第47-48页 |
| 4.3 实验设计 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-55页 |
| 4.4.1 模型对比试验 | 第49-50页 |
| 4.4.2 模型参数对比实验 | 第50-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 进一步工作展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间发表的论文和专利 | 第65-66页 |
| 攻读硕士期间参与的项目 | 第66-68页 |