文本情感分析及其应用研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 文本情感分析的研究现状 | 第11-13页 |
| 1.2.2 时间序列预测的研究现状 | 第13页 |
| 1.3 主要研究内容及创新点 | 第13-14页 |
| 1.4 论文的结构 | 第14-16页 |
| 第二章 文本情感分析分析及时间序列相关研究 | 第16-28页 |
| 2.1 本文的主要任务 | 第16-17页 |
| 2.2 本文模型涉及的相关知识 | 第17-20页 |
| 2.2.1 概率无向图模型 | 第17-18页 |
| 2.2.2 人工神经网络 | 第18-20页 |
| 2.3 情感词抽取相关模型研究 | 第20-25页 |
| 2.3.1 条件随机场 | 第20-21页 |
| 2.3.2 循环神经网络 | 第21-23页 |
| 2.3.3 词向量模型之Skip-Gram模型 | 第23-25页 |
| 2.4 基于回归的机器学习算法 | 第25-27页 |
| 2.4.1 线性回归模型 | 第25页 |
| 2.4.2 CART决策树模型 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 文本分析中情感词识别模型的分析和建立 | 第28-42页 |
| 3.1 改进的BI-LSTM-CRF模型 | 第28-36页 |
| 3.1.1 改进的BI-LSTM-CRF网络框图 | 第28-29页 |
| 3.1.2 文本的Embedding表示 | 第29-30页 |
| 3.1.3 双向LSTM层 | 第30-34页 |
| 3.1.4 dropout层与线性层 | 第34-35页 |
| 3.1.5 CRF层 | 第35页 |
| 3.1.6 算法流程 | 第35-36页 |
| 3.2 情感词识别实验结果分析 | 第36-39页 |
| 3.2.1 实验数据集介绍 | 第36-37页 |
| 3.2.2 评测标准： | 第37页 |
| 3.2.3 实验结果对比分析 | 第37-39页 |
| 3.3 本章小结 | 第39-42页 |
| 第四章 舆情趋势预测模型及系统的分析和建立 | 第42-54页 |
| 4.1 基于stacking的集成学习模型 | 第42-48页 |
| 4.1.1 集成学习模型网络框图 | 第42-43页 |
| 4.1.2 模型的核心思想 | 第43-44页 |
| 4.1.3 情感趋势的时间序列表示 | 第44页 |
| 4.1.4 样本采样层 | 第44页 |
| 4.1.5 时间序列的平滑 | 第44-46页 |
| 4.1.6 xgboost模型层 | 第46-48页 |
| 4.1.7 线性回归层 | 第48页 |
| 4.1.8 算法流程 | 第48页 |
| 4.2 舆情预警系统的设计 | 第48-51页 |
| 4.2.1 系统需求 | 第48-49页 |
| 4.2.2 系统总体架构 | 第49-51页 |
| 4.3 stacking模型实验结果分析 | 第51-52页 |
| 4.3.1 评测标准 | 第51页 |
| 4.3.2 实验结果对比分析 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 总结和展望 | 第54-56页 |
| 5.1 本文总结 | 第54-55页 |
| 5.2 展望未来 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士期间发表及取得的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
