基于深度学习的微博文本情感分析研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 深度学习研究现状 | 第11-12页 |
| 1.2.2 情感分析研究现状 | 第12-15页 |
| 1.3 本文工作 | 第15页 |
| 1.4 章节安排 | 第15-17页 |
| 第2章 微博文本情感分析相关技术 | 第17-23页 |
| 2.1 情感分析概述 | 第17-18页 |
| 2.2 基于情感词典的微博文本情感分析 | 第18-19页 |
| 2.3 基于机器学习的微博文本情感分析 | 第19-21页 |
| 2.3.1 朴素贝叶斯 | 第19-20页 |
| 2.3.2 支持向量机 | 第20-21页 |
| 2.4 基于深度学习的微博文本情感分析 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于深度学习的微博文本情感分析模型设计 | 第23-34页 |
| 3.1 卷积神经网络 | 第23-28页 |
| 3.1.1 卷积神经网络的基本思想 | 第23-25页 |
| 3.1.2 卷积神经网络的网络结构 | 第25-27页 |
| 3.1.3 结合卷积神经网络和支持向量机 | 第27-28页 |
| 3.2 基于CNN-SVM的微博文本情感分析模型 | 第28-32页 |
| 3.3 实验数据及分析 | 第32-33页 |
| 3.3.1 实验数据 | 第32页 |
| 3.3.2 实验结果分析 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 实验结果及分析 | 第34-44页 |
| 4.1 微博数据的获取与初步处理 | 第34-38页 |
| 4.1.1 微博爬虫 | 第34-35页 |
| 4.1.2 文本的预处理 | 第35-38页 |
| 4.2 预测实例 | 第38-39页 |
| 4.2.1 实验数据搜集 | 第38页 |
| 4.2.2 实验评价指标 | 第38-39页 |
| 4.3 实验结果 | 第39-43页 |
| 4.3.1 实验结果 | 第39-42页 |
| 4.3.2 结果分析 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 总结与展望 | 第44-46页 |
| 5.1 论文工作总结 | 第44-45页 |
| 5.2 下一步的工作 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第49-50页 |
| 致谢 | 第50页 |
