| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究内容及意义 | 第11-12页 |
| 1.3 相关研究进展 | 第12-14页 |
| 1.3.1 方面级情感分析相关研究 | 第12-14页 |
| 1.3.2 词表示方法相关研究 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 课题关键技术介绍 | 第16-26页 |
| 2.1 词向量模型 | 第16-21页 |
| 2.1.1 传统词向量模型 | 第16页 |
| 2.1.2 分布式表示的词向量模型 | 第16-21页 |
| 2.2 循环神经网络模型 | 第21-23页 |
| 2.2.1 标准的循环神经网络模型 | 第21-22页 |
| 2.2.2 长短期记忆网络模型 | 第22-23页 |
| 2.3 注意力(Attention)机制 | 第23-26页 |
| 第三章 词向量模型改进 | 第26-32页 |
| 3.1 研究动机 | 第26页 |
| 3.2 训练蕴含情感信息的词向量 | 第26-30页 |
| 3.2.1 基于C&W模型的情感词向量模型 | 第26-28页 |
| 3.2.2 基于word2vec的情感词向量模型 | 第28-30页 |
| 3.3 情感词向量的训练与效果验证 | 第30-32页 |
| 3.3.1 训练语料构建与模型参数设置 | 第30-31页 |
| 3.3.2 情感词向量效果验证 | 第31-32页 |
| 第四章 方面级情感分析算法研究 | 第32-48页 |
| 4.1 基于特征工程的传统分类器算法 | 第32-36页 |
| 4.1.1 逻辑回归模型 | 第33-34页 |
| 4.1.2 特征工程 | 第34-36页 |
| 4.2 循环神经网络情感分类模型 | 第36-39页 |
| 4.2.1 双向长短期记忆网络模型 | 第37-38页 |
| 4.2.2 引入Attention机制的LSTM模型 | 第38-39页 |
| 4.3 循环神经网络模型的改进 | 第39-42页 |
| 4.3.1 Twofold-Scanning机制 | 第39-41页 |
| 4.3.2 自适应的Attention机制 | 第41-42页 |
| 4.4 传统方法与神经网络的深度融合 | 第42-43页 |
| 4.5 相关实验与结果 | 第43-48页 |
| 4.5.1 实验数据集及参数设置 | 第43-44页 |
| 4.5.2 实验结果分析与讨论 | 第44-48页 |
| 第五章 构建中文情感分析语料集 | 第48-58页 |
| 5.1 标注任务介绍 | 第48-49页 |
| 5.2 文本标注平台 | 第49-54页 |
| 5.2.1 标注平台框架设计 | 第50-51页 |
| 5.2.2 标注平台功能介绍 | 第51-54页 |
| 5.3 标注语料介绍及研究任务设置 | 第54-56页 |
| 5.3.1 标注语料介绍 | 第54-55页 |
| 5.3.2 研究任务设置 | 第55-56页 |
| 5.4 中文语料集的实验 | 第56-58页 |
| 5.4.1 基于豆瓣影评的情感词向量训练 | 第56页 |
| 5.4.2 基于中文标注语料的基础实验 | 第56-58页 |
| 第六章 总结和展望 | 第58-60页 |
| 6.1 工作总结 | 第58-59页 |
| 6.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |