| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 基于统计学习方法 | 第11-12页 |
| 1.3.2 基于词典的方法 | 第12-13页 |
| 1.3.3 基于语义规则的方法 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 微博文本情感分类相关技术 | 第15-22页 |
| 2.1 情感分析概述 | 第15-16页 |
| 2.1.1 篇章集情感分析 | 第15页 |
| 2.1.2 句子级情感分析 | 第15-16页 |
| 2.1.3 词语级情感分析 | 第16页 |
| 2.2 微博概述 | 第16页 |
| 2.3 实验文本预处理技术 | 第16-20页 |
| 2.3.1 中文分词 | 第17-18页 |
| 2.3.2 中文文本降噪 | 第18页 |
| 2.3.3 中文文本表示 | 第18-20页 |
| 2.4 文本倾向性分析效果评估标准 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 词向量和word2vec | 第22-34页 |
| 3.1 词向量模型 | 第22-23页 |
| 3.2 WORD2VEC 基本原理 | 第23-28页 |
| 3.2.1 NNLM模型 | 第23页 |
| 3.2.2 层次softmax | 第23-25页 |
| 3.2.3 word2vec | 第25-28页 |
| 3.3 基于WORD2VEC的词典构建 | 第28-32页 |
| 3.3.1 情感词典自动构建模型 | 第28页 |
| 3.3.2 基于词向量的BW-Senti算法 | 第28-31页 |
| 3.3.3 情感词典构建模型方法实现 | 第31-32页 |
| 3.4 实验 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 中文短文本倾向性分析 | 第34-41页 |
| 4.1 文本倾向性分析介绍 | 第34页 |
| 4.2 基于SVM的文本倾向性分析技术 | 第34-37页 |
| 4.2.1 支持向量机简介 | 第34-35页 |
| 4.2.2 SVM对于线性可分问题的原理 | 第35-36页 |
| 4.2.3 SVM对于非线性可分问题的原理 | 第36-37页 |
| 4.3 融合深度学习特征方法 | 第37-39页 |
| 4.3.1 基于word2vec的深度学习特征表示 | 第37-38页 |
| 4.3.2 融合特征方法 | 第38-39页 |
| 4.4 实验和结果分析 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 总结与展望 | 第41-42页 |
| 5.1 总结 | 第41页 |
| 5.2 对以后工作的展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46页 |