基于深度学习的细粒度文本情感分析研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 情感分析研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 细粒度情感分析的研究现状 | 第12-14页 |
| 1.3.2 深度学习在自然语言处理领域的研究现状 | 第14-15页 |
| 1.4 本文的研究重点与工作内容 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 第二章 相关基础技术 | 第18-30页 |
| 2.1 文本情感分析相关技术 | 第18-25页 |
| 2.1.1 文本预处理 | 第18-21页 |
| 2.1.2 文本表示与权值计算 | 第21-22页 |
| 2.1.3 视角词抽取技术 | 第22-23页 |
| 2.1.4 基于情感词典的方法 | 第23页 |
| 2.1.5 基于统计学习的方法 | 第23-25页 |
| 2.2 深度学习的相关技术 | 第25-28页 |
| 2.2.1 BP神经网络结构 | 第25-27页 |
| 2.2.2 RBM深度网络 | 第27-28页 |
| 2.2.3 Attention机制 | 第28页 |
| 2.2.4 深度学习的应用 | 第28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于AttenNet的情感分析框架与算法 | 第30-40页 |
| 3.1 基于深度学习的情感分析框架 | 第30-33页 |
| 3.1.1 CNN模型 | 第30-31页 |
| 3.1.2 模型输入处理 | 第31-32页 |
| 3.1.3 模型训练 | 第32-33页 |
| 3.2 AttenNet模型的构造 | 第33-38页 |
| 3.2.1 模型的输入 | 第34页 |
| 3.2.2 模型的整体框架 | 第34-35页 |
| 3.2.3 Attention层的设计实现 | 第35-37页 |
| 3.2.4 计算层的设计实现 | 第37-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 实验结果与分析 | 第40-50页 |
| 4.1 情感分析中深度学习适用性实验 | 第40-44页 |
| 4.1.1 实验平台以及实验数据 | 第40-41页 |
| 4.1.2 模型参数 | 第41-42页 |
| 4.1.3 对比实验设置 | 第42页 |
| 4.1.4 实验结果分析 | 第42-44页 |
| 4.2 细粒度文本情感分析实验 | 第44-48页 |
| 4.2.1 实验平台以及实验数据 | 第44页 |
| 4.2.2 对比实验设置 | 第44-45页 |
| 4.2.3 实验结果分析 | 第45-48页 |
| 4.3 本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 全文总结 | 第50-51页 |
| 5.2 未来工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-58页 |
| 攻读学位期间发表的学术论文目录 | 第58页 |
