| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 文本情感分析和深度学习相关技术 | 第15-33页 |
| 2.1 基于情感词典的文本情感分析相关方法 | 第15-17页 |
| 2.2 基于机器学习的文本情感分析相关方法 | 第17-25页 |
| 2.2.1 文本特征提取方法 | 第17-20页 |
| 2.2.2 常用的文本分类模型 | 第20-25页 |
| 2.3 基于深度学习的文本情感分析相关方法 | 第25-29页 |
| 2.3.1 人工神经网络 | 第25-27页 |
| 2.3.2 卷积神经网络 | 第27-28页 |
| 2.3.3 循环神经网络 | 第28-29页 |
| 2.4 词的分布式特征表达相关技术 | 第29-32页 |
| 2.4.1 Word Embedding技术简介 | 第29页 |
| 2.4.2 Word2vec技术 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于循环神经网络的文本情感分析注意力模型 | 第33-45页 |
| 3.1 Attention模型的原理 | 第33-35页 |
| 3.2 双向长短时记忆 | 第35-38页 |
| 3.3 基于RNN的情感分析基础模型 | 第38-39页 |
| 3.3.1 RNN-Last模型 | 第38-39页 |
| 3.3.2 RNN-Mean模型 | 第39页 |
| 3.4 基于RNN的情感分析注意力模型 | 第39-41页 |
| 3.5 实验设置及结果分析 | 第41-44页 |
| 3.5.1 实验设置 | 第41-42页 |
| 3.5.2 实验结果分析 | 第42-44页 |
| 3.6 本章小节 | 第44-45页 |
| 第4章 针对目标依赖情感分析任务的循环神经网络模型 | 第45-53页 |
| 4.1 目标依赖的情感分析任务 | 第45-46页 |
| 4.2 融合目标信息的RNN-Attention模型 | 第46-47页 |
| 4.3 上下文分别建模的循环神经网络模型 | 第47-49页 |
| 4.4 实验设置及结果分析 | 第49-52页 |
| 4.4.1 实验设置 | 第49-50页 |
| 4.4.2 实验结果分析 | 第50-52页 |
| 4.5 本章小节 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 论文总结 | 第53页 |
| 5.2 未来工作展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-63页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第63页 |