| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 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 本文主要研究内容 | 第12页 |
| 1.4 论文章节安排 | 第12-15页 |
| 2 相关理论基础 | 第15-25页 |
| 2.1 深度学习基础 | 第15-19页 |
| 2.1.1 神经网络基础 | 第15-16页 |
| 2.1.2 循环神经网络 | 第16-17页 |
| 2.1.3 长短期记忆网络 | 第17-19页 |
| 2.2 注意力机制 | 第19-22页 |
| 2.2.1 编码器-解码器 | 第19-20页 |
| 2.2.2 注意力机制 | 第20-21页 |
| 2.2.3 自注意力机制 | 第21-22页 |
| 2.3 粒子群算法原理 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 基于粒子群优化的神经网络中文情感分类算法 | 第25-43页 |
| 3.1 算法概述 | 第25-26页 |
| 3.2 文本预处理 | 第26-30页 |
| 3.2.1 文本清洗及分词 | 第26-27页 |
| 3.2.2 文本长度标准化 | 第27-28页 |
| 3.2.3 词向量表示 | 第28-30页 |
| 3.3 神经网络模型 | 第30-34页 |
| 3.3.1 输入层 | 第31-32页 |
| 3.3.2 网络层 | 第32-33页 |
| 3.3.3 分类层 | 第33-34页 |
| 3.4 粒子群算法 | 第34-35页 |
| 3.5 实验结果及分析 | 第35-40页 |
| 3.5.1 实验环境 | 第35页 |
| 3.5.2 实验数据及参数设置 | 第35-37页 |
| 3.5.3 实验结果及分析 | 第37-40页 |
| 3.6 本章小结 | 第40-43页 |
| 4 基于PSO-Attention-LSTM模型的爱课程评论文本分析应用 | 第43-61页 |
| 4.1 总体框架 | 第43页 |
| 4.2 评论数据的获取 | 第43-48页 |
| 4.3 课程评论情感极性分析 | 第48-59页 |
| 4.3.1 国家精品课程评论分析及可视化 | 第48-51页 |
| 4.3.2 各类别课程评论分析及可视化 | 第51-59页 |
| 4.4 本章小结 | 第59-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间主要研究成果 | 第69页 |