| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于情感词典的短文本情感分析研究 | 第10-12页 |
| 1.2.2 基于机器学习的短文本情感分析研究 | 第12-13页 |
| 1.2.3 基于深度学习的短文本情感分析研究 | 第13页 |
| 1.3 本文的主要研究工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 短文本情感分析的相关概念 | 第15-24页 |
| 2.1 中文短文本数据的预处理 | 第15-16页 |
| 2.1.1 中文分词技术 | 第15-16页 |
| 2.1.2 去停用词 | 第16页 |
| 2.2 文本情感特征提取 | 第16-20页 |
| 2.2.1 特征项的选取方法 | 第17-19页 |
| 2.2.2 特征权重计算方法 | 第19-20页 |
| 2.3 文本表示 | 第20页 |
| 2.4 词向量 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于机器学习的短文本情感分析 | 第24-36页 |
| 3.1 机器学习情感分析算法 | 第24-27页 |
| 3.1.1 朴素贝叶斯算法 | 第24-25页 |
| 3.1.2 支持向量机算法 | 第25-27页 |
| 3.2 短文本向量生成 | 第27-30页 |
| 3.2.1 使用改进的特征项选取方法 | 第28页 |
| 3.2.2 加权词向量的文本向量化 | 第28-30页 |
| 3.3 实验过程及其结果分析 | 第30-35页 |
| 3.3.1 实验数据 | 第30-31页 |
| 3.3.2 实验评价指标 | 第31-32页 |
| 3.3.3 实验设计与结果分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于深度学习的短文本情感分析 | 第36-54页 |
| 4.1 神经元与神经网络模型 | 第36-38页 |
| 4.2 深度学习情感分析算法 | 第38-47页 |
| 4.2.1 循环神经网络 | 第38-41页 |
| 4.2.2 长短期记忆神经网络 | 第41-43页 |
| 4.2.3 构建双向的长短期记忆神经网络模型 | 第43-44页 |
| 4.2.4 引入注意力机制的双向长短期记忆神经网络模型 | 第44-47页 |
| 4.3 实验过程及其结果分析 | 第47-51页 |
| 4.3.1 实验环境 | 第47页 |
| 4.3.2 实验设计与结果分析 | 第47-51页 |
| 4.4 与基于机器学习方法的实验结果对比 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文总结 | 第54页 |
| 5.2 未来展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 硕士期间研究成果 | 第60页 |