| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 传统文本情感分析研究现状 | 第11-12页 |
| 1.2.2 短文本情感分析研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-16页 |
| 1.4 本文的组织结构 | 第16-19页 |
| 第2章 基于词典和规则的情感分类方法与改进 | 第19-37页 |
| 2.1 未登录词发现及情感极性计算 | 第19-26页 |
| 2.1.1 信息熵与条件随机场简介 | 第20-21页 |
| 2.1.2 基于概率统计的未登录词发现 | 第21-23页 |
| 2.1.3 基于条件随机场的未登录词发现 | 第23-25页 |
| 2.1.4 基于互信息的未登录词极性计算 | 第25-26页 |
| 2.2 词典资源的构建与优化 | 第26-29页 |
| 2.2.1 通用词典构建 | 第26-28页 |
| 2.2.2 领域情感词发现 | 第28-29页 |
| 2.3 基于规则及词典的情感判定方法 | 第29-32页 |
| 2.4 实验与分析 | 第32-35页 |
| 2.4.1 实验准备及评价标准 | 第32-33页 |
| 2.4.2 未登录词识别结果分析 | 第33页 |
| 2.4.3 情感分类实验结果分析 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 基于多策略机器学习的情感分类方法 | 第37-53页 |
| 3.1 短文本机器学习流程及策略 | 第37-38页 |
| 3.2 特征选择与权值计算 | 第38-43页 |
| 3.2.1 常用特征选取算法 | 第38-41页 |
| 3.2.2 多特征选择算法融合优化 | 第41-42页 |
| 3.2.3 基于同义词林的特征扩展 | 第42-43页 |
| 3.3 特征分类训练及优化 | 第43-49页 |
| 3.3.1 常用机器学习分类算法 | 第43-46页 |
| 3.3.2 机器学习训练流程及策略 | 第46-47页 |
| 3.3.3 基于Adaboost弱学习分类增强研究 | 第47-49页 |
| 3.4 实验与分析 | 第49-51页 |
| 3.4.1 特征选择优化性能分析 | 第49-50页 |
| 3.4.2 多策略机器学习情感分类结果分析 | 第50-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第4章 基于深度信念网络的短文本情感分类 | 第53-65页 |
| 4.1 深度信念网络简介 | 第53-55页 |
| 4.2 短文本语义及特征扩展 | 第55-58页 |
| 4.2.1 短文本篇章级别语义扩展 | 第55-56页 |
| 4.2.2 短文本词语级别特征扩展 | 第56-58页 |
| 4.3 基于深度信念网络的特征提取 | 第58-59页 |
| 4.4 实验与分析 | 第59-62页 |
| 4.4.1 DBN深度学习性能分析 | 第59-60页 |
| 4.4.2 特征扩展性能分析 | 第60页 |
| 4.4.3 DBN特征提取与传统算法性能对比 | 第60-62页 |
| 4.4.4 DBN输出不同特征维度性能对比 | 第62页 |
| 4.5 本章小结 | 第62-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士期间的主要研究成果 | 第71-73页 |
| 致谢 | 第73页 |