| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第9-25页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-22页 |
| 1.2.1 情感抽取 | 第10-15页 |
| 1.2.2 情感和维度分类 | 第15-19页 |
| 1.2.3 情感摘要 | 第19-22页 |
| 1.3 知识 | 第22-23页 |
| 1.4 本文的研究重点 | 第23-25页 |
| 第2章 融合语法知识的情感抽取 | 第25-43页 |
| 2.1 概述 | 第25-26页 |
| 2.2 情感抽取的框架 | 第26-27页 |
| 2.3 符号表示 | 第27-28页 |
| 2.4 评价对象-评价词表示 | 第28-29页 |
| 2.5 弱监督学习 | 第29-34页 |
| 2.5.1 广义期望准则 | 第29-30页 |
| 2.5.2 正面标注特征（语法知识） | 第30-31页 |
| 2.5.3 类别稀疏正则项（Label Sparsity Regularization） | 第31页 |
| 2.5.4 训练二分类器 | 第31-33页 |
| 2.5.5 Bootstrapping抽取框架 | 第33-34页 |
| 2.6 实验 | 第34-42页 |
| 2.6.1 数据集 | 第34-36页 |
| 2.6.2 知识的引入 | 第36页 |
| 2.6.3 评价方式 | 第36-37页 |
| 2.6.4 参数设置 | 第37页 |
| 2.6.5 评价对象评价词抽取案例研究 | 第37-38页 |
| 2.6.6 评价词评价对象抽取的性能对比 | 第38-39页 |
| 2.6.7 语法知识的敏感性评价 | 第39-40页 |
| 2.6.8 参考分布的敏感性评价 | 第40页 |
| 2.6.9 对最低可信分数阈值的敏感性评价 | 第40-41页 |
| 2.6.10 实验小结 | 第41-42页 |
| 2.7 本章小结 | 第42页 |
| 附件 | 第42-43页 |
| 第3章 融合词汇知识的情感和维度分类 | 第43-64页 |
| 3.1 概述 | 第43-46页 |
| 3.2 维度和情感解释的定义 | 第46页 |
| 3.3 优化问题形式化定义 | 第46-47页 |
| 3.4 通过损失函数引入维度词汇知识 | 第47-48页 |
| 3.4.1 句子级别的损失函数（Sentence-level loss ，SL） | 第47页 |
| 3.4.2 篇章级别的损失函数（Document-level loss ，DL） | 第47-48页 |
| 3.5 维度分类和篇章情感分类的联合建模 | 第48-49页 |
| 3.5.1 评论篇章的情感倾向预测 | 第49页 |
| 3.5.2 情感解释的维度划分 | 第49页 |
| 3.6 模型训练 | 第49-51页 |
| 3.6.1 优化问题 | 第49-51页 |
| 3.6.2 模型和隐变量的初始化 | 第51页 |
| 3.7 实验 | 第51-63页 |
| 3.7.1 数据集 | 第51-53页 |
| 3.7.2 评论篇章的情感倾向预测 | 第53-56页 |
| 3.7.3 维度分析的案例研究 | 第56-57页 |
| 3.7.4 量化分析 | 第57-63页 |
| 3.8 本章小结 | 第63页 |
| 附件 | 第63-64页 |
| 第4章 融合规则知识的评论内容重要性分析 | 第64-77页 |
| 4.1 概述 | 第64-65页 |
| 4.2 排序与情感分析联合建模 | 第65-68页 |
| 4.2.1 句子信息含量排序 | 第65-67页 |
| 4.2.2 句子的情感分析 | 第67-68页 |
| 4.3 联合优化 | 第68-71页 |
| 4.3.1 对偶分解简介 | 第69-70页 |
| 4.3.2 对偶分解求解联合优化问题 | 第70-71页 |
| 4.3.3 句子重要程度排序 | 第71页 |
| 4.4 实验 | 第71-76页 |
| 4.4.1 数据 | 第71-72页 |
| 4.4.2 评价指标 | 第72页 |
| 4.4.3 对比方法 | 第72-73页 |
| 4.4.4 总体排序对比 | 第73页 |
| 4.4.5 重要句子排序性能评价 | 第73-76页 |
| 4.5 本章小结 | 第76页 |
| 附件 | 第76-77页 |
| 第5章 融合语义知识的评论分析和摘要 | 第77-94页 |
| 5.1 概述 | 第77-78页 |
| 5.2 话题模型简介 | 第78-80页 |
| 5.2.1 符号表示 | 第78-79页 |
| 5.2.2 LDA训练与参数估计 | 第79-80页 |
| 5.3 基于话题模型的评论建模 | 第80-84页 |
| 5.3.1 融合语义知识的LDA模型 | 第81-82页 |
| 5.3.2 引入维度、情感等语义知识 | 第82-83页 |
| 5.3.3 引入评论的打分 | 第83-84页 |
| 5.4 基于话题模型的用户兴趣建模 | 第84页 |
| 5.5 基于话题模型的个性化摘要生成 | 第84-85页 |
| 5.5.1 摘要的个性化 | 第84-85页 |
| 5.5.2 摘要的结构化 | 第85页 |
| 5.6 实验 | 第85-92页 |
| 5.6.1 数据集和参数设置 | 第85-87页 |
| 5.6.2 话题的解释性分析 | 第87-88页 |
| 5.6.3 话题的质量分析 | 第88-89页 |
| 5.6.4 个性化摘要生成分析 | 第89-92页 |
| 5.7 本章小结 | 第92-94页 |
| 第6章 总结与展望 | 第94-96页 |
| 6.1 本文总结 | 第94-95页 |
| 6.2 工作展望 | 第95-96页 |
| 参考文献 | 第96-104页 |
| 致谢 | 第104-106页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第106-107页 |
