| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-16页 |
| ·研究背景与意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·文本情感分析的研究现状 | 第12-13页 |
| ·深度学习在文本情感分析领域研究现状 | 第13-14页 |
| ·研究内容 | 第14页 |
| ·本文的组织结构 | 第14-16页 |
| 第2章 文本情感分析及深度学习相关研究 | 第16-31页 |
| ·文本情感分析主要任务 | 第16-18页 |
| ·传统机器学习算法 | 第18-23页 |
| ·朴素贝叶斯模型 | 第18-19页 |
| ·支持向量机模型 | 第19-21页 |
| ·K近邻模型 | 第21-23页 |
| ·人工神经网络及深度学习相关算法 | 第23-30页 |
| ·人工神经网络 | 第24-27页 |
| ·卷积神经网络 | 第27页 |
| ·LSTM循环神经网络 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于深度学习的文本情感分析 | 第31-44页 |
| ·算法提出背景 | 第31-32页 |
| ·改进的堆叠式卷积循环神经网络 | 第32-43页 |
| ·CNN-GRU网络框图 | 第32页 |
| ·改进的文本Embedding表示 | 第32-34页 |
| ·卷积层处理 | 第34-35页 |
| ·Softplus-Relu隐层以及Max Pooing层 | 第35-38页 |
| ·GRU层 | 第38-39页 |
| ·后处理相关隐层 | 第39-40页 |
| ·算法流程 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 实验结果及分析 | 第44-54页 |
| ·分类的评价标准 | 第44-45页 |
| ·实验数据集 | 第45-46页 |
| ·实验结果对比分析 | 第46-53页 |
| ·epoch取值选择实验 | 第46-48页 |
| ·Dropout选择实验 | 第48-50页 |
| ·激活函数对比实验 | 第50-51页 |
| ·卷积层层数选择实验 | 第51-52页 |
| ·GRU与LSTM单元对比实验 | 第52-53页 |
| ·算法运行时间分析 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第5章 总结和展望 | 第54-56页 |
| ·总结 | 第54页 |
| ·展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 作者简介 | 第61-62页 |
| 致谢 | 第62页 |