| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外相关研究 | 第13-15页 |
| 1.2.1 深度学习 | 第13-14页 |
| 1.2.2 情感分析 | 第14-15页 |
| 1.2.3 广告自动化审核 | 第15页 |
| 1.3 本文研究工作 | 第15-16页 |
| 1.4 论文组织框架 | 第16-18页 |
| 2 深度学习及相关背景知识 | 第18-31页 |
| 2.1 神经网络相关知识 | 第18-24页 |
| 2.1.1 神经网络相关定义 | 第18-20页 |
| 2.1.2 反向传播 | 第20-21页 |
| 2.1.3 词向量表示 | 第21-22页 |
| 2.1.4 深度学习模型简介 | 第22-24页 |
| 2.2 相关背景知识 | 第24-30页 |
| 2.2.1 文本分类 | 第24-28页 |
| 2.2.2 自然语言处理关键技术 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于RAE的深度学习模型 | 第31-41页 |
| 3.1 情感分析模型 | 第31-32页 |
| 3.2 基于RAE的深度学习模型 | 第32-36页 |
| 3.2.1 递归自编码 | 第32-34页 |
| 3.2.2 基于RAE的情感极性转移模型 | 第34-36页 |
| 3.3 实验结果与分析 | 第36-40页 |
| 3.3.1 可调参数对比实验 | 第37-38页 |
| 3.3.2 COAE2014数据集封闭测试 | 第38-39页 |
| 3.3.3 深度学习模型对比试验 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于极性转移和LSTM递归网络模型 | 第41-52页 |
| 4.1 基于极性转移和LSTM递归网络模型 | 第41-49页 |
| 4.1.1 RSNN | 第41-43页 |
| 4.1.2 LSTM型RNN | 第43-45页 |
| 4.1.3 基于LSTM的RSNN | 第45-46页 |
| 4.1.4 融合极性转移的LSTM-RNN | 第46-47页 |
| 4.1.5 PLSTM-RSNN应用于情感分析 | 第47-49页 |
| 4.2 实验结果与分析 | 第49-51页 |
| 4.2.1 数据集 | 第49页 |
| 4.2.2 向量维度的选择 | 第49-50页 |
| 4.2.3 模型对比实验 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 基于LSTM-RNN的广告自动审核系统的设计与实现 | 第52-60页 |
| 5.1 基于LSTM-RNN的广告自动审核系统 | 第52-54页 |
| 5.1.1 总体概述 | 第52页 |
| 5.1.2 系统结构 | 第52-53页 |
| 5.1.3 系统功能模块 | 第53-54页 |
| 5.1.4 系统的流程 | 第54页 |
| 5.2 广告自动化审核系统的设计与实现 | 第54-59页 |
| 5.2.1 数据库设计 | 第55-56页 |
| 5.2.2 LSTM-RNN用于广告自动化审核系统 | 第56页 |
| 5.2.3 系统使用简介 | 第56-58页 |
| 5.2.4 系统性能 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 个人简历、在校期间发表的学术论文及研究成果 | 第66-67页 |
| 个人简历 | 第66页 |
| 在校期间发表的学术论文 | 第66页 |
| 研究成果 | 第66-67页 |
| 致谢 | 第67页 |