| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景和研究意义 | 第10-11页 |
| 1.2 国内外情感分类研究现状 | 第11-14页 |
| 1.3 论文内容与方法 | 第14页 |
| 1.4 论文组织 | 第14-16页 |
| 第二章 情感分类和主题模型的相关技术研究 | 第16-27页 |
| 2.1 情感分类的相关研究 | 第16-18页 |
| 2.1.1 情感分类的研究综述 | 第16页 |
| 2.1.2 基于规则的情感分类方法 | 第16-17页 |
| 2.1.3 基于统计的情感分类方法 | 第17-18页 |
| 2.2 文本表示模型的发展过程 | 第18-22页 |
| 2.2.1 向量空间模型 | 第18-19页 |
| 2.2.2 主成分分析与奇异值分解 | 第19-20页 |
| 2.2.3 潜在语义分析 | 第20-21页 |
| 2.2.4 概率潜在语义分析 | 第21-22页 |
| 2.3 LDA模型的原理 | 第22-25页 |
| 2.3.1 LDA模型概述 | 第22-23页 |
| 2.3.2 Dirichlet分布 | 第23-24页 |
| 2.3.3 Gibbs抽样和LDA求解 | 第24-25页 |
| 2.4 LDA模型在情感分类中的应用 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于主题加权LDA模型的情感分类方法 | 第27-45页 |
| 3.1 基于神经网络模型的词向量获取 | 第27-33页 |
| 3.1.1 词向量简介 | 第27-29页 |
| 3.1.2 神经网络语言模型 | 第29-30页 |
| 3.1.3 word2vec介绍 | 第30-32页 |
| 3.1.4 基于word2vec的词向量获取 | 第32-33页 |
| 3.2 基于LDA模型的文本特征表示方法 | 第33-37页 |
| 3.2.1 基于LDA模型的潜在主题特征挖掘 | 第33-35页 |
| 3.2.2 主题特征的相关分析 | 第35-37页 |
| 3.3 基于词语相关度的主题加权方法 | 第37-39页 |
| 3.3.1 基于词向量的词语相关度计算方法 | 第37-38页 |
| 3.3.2 基于词语相关度的主题加权 | 第38-39页 |
| 3.4 实验设计与结果分析 | 第39-43页 |
| 3.4.1 实验语料 | 第39-40页 |
| 3.4.2 实验评价 | 第40-41页 |
| 3.4.3 实验过程 | 第41-42页 |
| 3.4.4 实验结果与分析 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于LDA模型的无监督情感分类方法 | 第45-57页 |
| 4.1 基于HowNet语义相似度的词语情感值计算 | 第45-49页 |
| 4.1.1 HowNet介绍 | 第45-46页 |
| 4.1.2 基于HowNet的词语语义相似度计算 | 第46-48页 |
| 4.1.3 基于语义相似度的词语情感值计算 | 第48-49页 |
| 4.2 基于词语情感值的主题-情感分布 | 第49-51页 |
| 4.3 基于主题加权LDA模型的无监督的情感分类 | 第51-52页 |
| 4.4 实验设计与结果分析 | 第52-56页 |
| 4.4.1 实验语料 | 第52页 |
| 4.4.2 实验评价 | 第52页 |
| 4.4.3 实验过程 | 第52-54页 |
| 4.4.4 实验结果与分析 | 第54-56页 |
| 4.5 本章总结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 本文研究工作和结论 | 第57-58页 |
| 5.2 未来研究方向 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 详细摘要 | 第62-64页 |