基于深度特征提取的文本情感极性分类研究
| 摘要 | 第8-10页 |
| ABSTRACT | 第10页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 传统情感分析方法 | 第17-24页 |
| 2.1 统计语言模型 | 第17-18页 |
| 2.2 基于词典的情感分析 | 第18-19页 |
| 2.2.1 文本预处理 | 第18-19页 |
| 2.2.2 情感词典 | 第19页 |
| 2.3 基于机器学习的方法 | 第19-22页 |
| 2.3.1 向量空间模型 | 第20页 |
| 2.3.2 特征选择 | 第20-21页 |
| 2.3.3 分类模型 | 第21-22页 |
| 2.4 存在的问题 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 深度学习背景知识 | 第24-28页 |
| 3.1 循环神经网络 | 第24-25页 |
| 3.2 递归自编码 | 第25-26页 |
| 3.3 卷积神经网络 | 第26页 |
| 3.4 本章小结 | 第26-28页 |
| 第4章 基于递归型GRU网络的语句级情感分类模型 | 第28-37页 |
| 4.1 分布式文本表示 | 第28-29页 |
| 4.2 LSTM与GRU单元 | 第29-32页 |
| 4.3 改进的递归型GRU网络模型 | 第32-33页 |
| 4.3.1 Bi-GRU单元 | 第32-33页 |
| 4.3.2 网络结构 | 第33页 |
| 4.4 实验分析 | 第33-36页 |
| 4.4.1 数据集 | 第33-34页 |
| 4.4.2 评价标准 | 第34-35页 |
| 4.4.3 参数说明 | 第35页 |
| 4.4.4 算法对比 | 第35-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第5章 基于CNN-BGRU的篇章级情感分类模型 | 第37-43页 |
| 5.1 CNN-BGRU网络结构 | 第37-39页 |
| 5.1.1 适应文本处理的卷积神经网络 | 第37-38页 |
| 5.1.2 双向GRU | 第38-39页 |
| 5.2 实验分析 | 第39-42页 |
| 5.2.1 数据集 | 第39-40页 |
| 5.2.2 实验数据预处理与模型参数说明 | 第40-41页 |
| 5.2.3 算法对比 | 第41-42页 |
| 5.3 本章小结 | 第42-43页 |
| 第6章 总结与展望 | 第43-45页 |
| 6.1 总结 | 第43页 |
| 6.2 未来工作 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49-50页 |
| 学位论文评阅及答辩情况表 | 第50页 |
