基于深度学习的中文微博观点分析
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-12页 |
| 1.1 选题背景和意义 | 第8-9页 |
| 1.2 研究问题与思路 | 第9页 |
| 1.3 本文主要贡献 | 第9-10页 |
| 1.4 组织结构 | 第10-12页 |
| 第二章 国内外研究现状 | 第12-21页 |
| 2.1 中文微博观点分析相关研究 | 第12-16页 |
| 2.1.1 文本表示方法 | 第13页 |
| 2.1.2 观点分析方法 | 第13-15页 |
| 2.1.2.1 融合上下文的方法 | 第13-14页 |
| 2.1.2.2 传统方法和机器学习 | 第14-15页 |
| 2.1.3 语料资源和测评平台 | 第15-16页 |
| 2.2 预备知识 | 第16-18页 |
| 2.2.1 代价函数 | 第16-17页 |
| 2.2.2 梯度下降 | 第17-18页 |
| 2.2.3 Theano平台 | 第18页 |
| 2.3 数据集和评价指标 | 第18-20页 |
| 2.3.1 实验数据集 | 第18-19页 |
| 2.3.2 评价指标 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于上下文的卷积神经网络模型 | 第21-31页 |
| 3.1 引言 | 第21-22页 |
| 3.2 问题描述 | 第22页 |
| 3.3 模型介绍 | 第22-26页 |
| 3.3.1 词的向量化表示 | 第22-23页 |
| 3.3.2 中文微博观点分析模型 | 第23-26页 |
| 3.4 实验及结果 | 第26-30页 |
| 3.4.1 实验设置 | 第26-27页 |
| 3.4.2 实验结果与分析 | 第27-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 融合用户和话题信息的卷积神经网络模型 | 第31-38页 |
| 4.1 引言 | 第31-32页 |
| 4.2 问题描述 | 第32页 |
| 4.3 模型介绍 | 第32-36页 |
| 4.3.1 一致性的定义 | 第32-33页 |
| 4.3.2 用户和话题信息的建模 | 第33-34页 |
| 4.3.3 中文微博观点分析模型 | 第34-36页 |
| 4.4 实验及结果 | 第36-37页 |
| 4.4.1 实验设置 | 第36页 |
| 4.4.2 实验结果与分析 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 基于过采样的卷积神经网络模型 | 第38-43页 |
| 5.1 引言 | 第38页 |
| 5.2 问题描述 | 第38-39页 |
| 5.3 模型介绍 | 第39-41页 |
| 5.3.1 数据的不平衡性分析 | 第39页 |
| 5.3.2 基于过采样的数据处理 | 第39-40页 |
| 5.3.3 中文微博观点分析模型 | 第40-41页 |
| 5.4 实验及结果 | 第41-42页 |
| 5.4.1 实验设置 | 第41页 |
| 5.4.2 实验结果与分析 | 第41-42页 |
| 5.5 本章小结 | 第42-43页 |
| 总结与展望 | 第43-45页 |
| 总结 | 第43-44页 |
| 展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49-50页 |
| 个人简历 | 第50-51页 |
| 在学期间的研究成果及发表的学术论文 | 第51页 |
