基于深度语义信息的文本情感分析及应用研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究背景、目的和意义 | 第10-12页 |
| 1.3 相关领域国内外研究现状 | 第12-18页 |
| 1.3.1 情感词库构建研究现状 | 第13-15页 |
| 1.3.2 词表示方法研究现状 | 第15-17页 |
| 1.3.3 文本情感分析研究现状 | 第17-18页 |
| 1.4 本文主要研究内容及组织结构 | 第18-20页 |
| 1.4.1 本文主要研究内容 | 第18-19页 |
| 1.4.2 本文组织结构 | 第19-20页 |
| 第2章 领域情感词库构建方法研究 | 第20-38页 |
| 2.1 领域情感词库构建任务描述及整体框架 | 第20-22页 |
| 2.1.1 任务描述 | 第20-21页 |
| 2.1.2 整体框架 | 第21-22页 |
| 2.2 基于 GLC-PMI 的情感关联图构建 | 第22-27页 |
| 2.2.1 语料信息分析 | 第22-24页 |
| 2.2.2 PMI缺陷分析 | 第24-25页 |
| 2.2.3 GLC-PMI 算法 | 第25-26页 |
| 2.2.4 情感关联图构建 | 第26-27页 |
| 2.3 基于SL-LPA算法的情感值计算 | 第27-30页 |
| 2.3.1 种子情感词获取 | 第27-28页 |
| 2.3.2 SL-LPA算法 | 第28-30页 |
| 2.4 实验设置及结果分析 | 第30-36页 |
| 2.4.1 实验设置 | 第30-32页 |
| 2.4.2 实验结果与分析 | 第32-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第3章 基于深度语义信息的情感分析方法研究 | 第38-55页 |
| 3.1 Word2Vec 模型 | 第38-40页 |
| 3.1.1 Word2Vec 原理 | 第38-39页 |
| 3.1.2 缺陷分析 | 第39-40页 |
| 3.2 融合语义信息和情感信息的词嵌入模型 | 第40-45页 |
| 3.2.1 W2SV模型 | 第40-44页 |
| 3.2.2 情感词向量训练过程 | 第44-45页 |
| 3.3 基于情感词向量和LSTM的情感分析方法 | 第45-50页 |
| 3.3.1 LSTM模型 | 第45-47页 |
| 3.3.2 Attention 机制 | 第47-48页 |
| 3.3.3 文本情感分析方法 | 第48-50页 |
| 3.4 实验设置及结果分析 | 第50-54页 |
| 3.4.1 实验设置 | 第50-51页 |
| 3.4.2 实验结果与分析 | 第51-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 文本情感分析在汽车用户满意度上的应用研究 | 第55-67页 |
| 4.1 需求分析 | 第55页 |
| 4.2 系统整体架构 | 第55-56页 |
| 4.3 功能模块设计 | 第56-61页 |
| 4.3.1 数据采集 | 第56-57页 |
| 4.3.2 数据预处理 | 第57-58页 |
| 4.3.3 数据分析与统计 | 第58-61页 |
| 4.4 系统实现及验证 | 第61-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 全文工作总结 | 第67-68页 |
| 5.2 未来工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间的研究成果 | 第74页 |
