| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 基于情感词典的方法 | 第10-11页 |
| 1.2.2 基于机器学习的方法 | 第11-15页 |
| 1.2.3 基于深度学习的方法 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 2 相关技术概述 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 特征选取方法 | 第19-24页 |
| 2.2.1 零一表示模型 | 第19-20页 |
| 2.2.2 词袋模型 | 第20页 |
| 2.2.3 tf-idf模型 | 第20-21页 |
| 2.2.4 LSA模型 | 第21页 |
| 2.2.5 LDA模型 | 第21-22页 |
| 2.2.6 word2vec模型 | 第22-24页 |
| 2.3 神经网络模型介绍 | 第24-32页 |
| 2.3.1 BP神经网络 | 第24-26页 |
| 2.3.2 循环神经网络 | 第26-29页 |
| 2.3.3 LSTM | 第29-31页 |
| 2.3.4 GRU | 第31-32页 |
| 2.4 损失函数 | 第32-33页 |
| 2.4.1 均方误差损失函数 | 第32页 |
| 2.4.2 平均绝对值误差损失函数 | 第32-33页 |
| 2.4.3 交叉熵损失函数 | 第33页 |
| 2.5 优化算法 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 3 数据预处理 | 第35-41页 |
| 3.1 引言 | 第35页 |
| 3.2 情感分类流程 | 第35-36页 |
| 3.3 数据来源 | 第36-37页 |
| 3.4 特征的抽取方式 | 第37-40页 |
| 3.4.1 one-hot模型 | 第37页 |
| 3.4.2 平均word2vec | 第37-38页 |
| 3.4.3 词对向量 | 第38-39页 |
| 3.4.4 随机词向量 | 第39-40页 |
| 3.6 语料库的词向量训练 | 第40页 |
| 3.7 本章小结 | 第40-41页 |
| 4 深度学习模型设计 | 第41-47页 |
| 4.1 引言 | 第41页 |
| 4.2 深度学习模型设计 | 第41-46页 |
| 4.2.1 基于word2vec的RNN模型 | 第41-43页 |
| 4.2.2 基于随机词向量的RNN模型 | 第43-44页 |
| 4.2.3 基于词对向量的RNN模型 | 第44-46页 |
| 4.3 本章小结 | 第46-47页 |
| 5 模型训练及模型选择 | 第47-65页 |
| 5.1 引言 | 第47页 |
| 5.2 模型的训练 | 第47-54页 |
| 5.2.1 基于word2vec的RNN模型的训练 | 第47-49页 |
| 5.2.2 基于词对向量的RNN模型的训练 | 第49-52页 |
| 5.2.3 基于随机向量的RNN模型的训练 | 第52-54页 |
| 5.3 实验结果分析 | 第54-58页 |
| 5.3.1 实验结果分析 | 第54-58页 |
| 5.3.2 模型选择 | 第58页 |
| 5.4 模型优化 | 第58-61页 |
| 5.4.1 学习率的确定 | 第58-59页 |
| 5.4.2 In_keep_prob的选择 | 第59-60页 |
| 5.4.3 层数的确定 | 第60-61页 |
| 5.4.5 训练过程小结 | 第61页 |
| 5.5 测试 | 第61-63页 |
| 5.5.1 与其他模型的对比 | 第61-62页 |
| 5.5.2 酒店评论数据测试 | 第62-63页 |
| 5.6 模型选择 | 第63页 |
| 5.7 小结 | 第63-65页 |
| 结论 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读学位期间发表的与学位论文内容相关的学术论文及研究成果 | 第73页 |