基于深度神经网络的文本情感分析
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 研究及应用现状 | 第16-19页 |
| 1.2.1 深度学习 | 第16-17页 |
| 1.2.2 情感分析 | 第17-19页 |
| 1.3 主要工作 | 第19-20页 |
| 1.4 论文结构安排 | 第20-21页 |
| 第二章 相关理论 | 第21-32页 |
| 2.1 文本表示 | 第21-22页 |
| 2.1.1 向量空间模型 | 第21页 |
| 2.1.2 词的分布式表示 | 第21-22页 |
| 2.2 人工神经网络基础 | 第22-27页 |
| 2.2.1 网络结构与信号传递 | 第22-25页 |
| 2.2.2 误差反向传播 | 第25-27页 |
| 2.3 常见深度学习结构 | 第27-30页 |
| 2.3.1 卷积神经网络 | 第27-28页 |
| 2.3.2 循环神经网络 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 深度情感分析模型 | 第32-49页 |
| 3.1 卷积循环神经网络 | 第32-39页 |
| 3.1.1 总体结构 | 第32页 |
| 3.1.2 卷积层 | 第32-35页 |
| 3.1.3 循环层 | 第35-36页 |
| 3.1.4 Softmax分类器 | 第36-37页 |
| 3.1.5 算法流程 | 第37-39页 |
| 3.2 多重卷积循环神经网络 | 第39-44页 |
| 3.2.1 总体结构 | 第39-40页 |
| 3.2.2 卷积层 | 第40-41页 |
| 3.2.3 多重循环层 | 第41-42页 |
| 3.2.4 Softmax分类器 | 第42页 |
| 3.2.5 算法流程 | 第42-44页 |
| 3.3 循环卷积神经网络 | 第44-48页 |
| 3.3.1 总体结构 | 第44页 |
| 3.3.2 全输出循环层 | 第44-45页 |
| 3.3.3 卷积与池化层 | 第45-46页 |
| 3.3.4 Softmax分类器 | 第46-47页 |
| 3.3.5 算法流程 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 深度情感分析模型的实现 | 第49-57页 |
| 4.1 语料来源及规模 | 第49页 |
| 4.2 总体处理流程 | 第49页 |
| 4.3 预处理 | 第49-52页 |
| 4.4 文本向量化 | 第52-54页 |
| 4.5 模型训练 | 第54-55页 |
| 4.6 模型测试 | 第55-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 实验结果与讨论 | 第57-81页 |
| 5.1 评价标准 | 第57-59页 |
| 5.2 前期基础实验 | 第59-62页 |
| 5.2.1 分词工具与词向量训练参数 | 第59-61页 |
| 5.2.2 词向量语料规模的影响 | 第61页 |
| 5.2.3 语料领域的影响 | 第61-62页 |
| 5.3 本文模型参数调节实验 | 第62-74页 |
| 5.3.1 CRNN卷积核数量 | 第62-63页 |
| 5.3.2 CRNN卷积核长度 | 第63-66页 |
| 5.3.3 MCRNN卷积核数量 | 第66-67页 |
| 5.3.4 MCRNN不同的卷积核组合 | 第67-69页 |
| 5.3.5 RCNN卷积核的数量 | 第69-71页 |
| 5.3.6 RCNN不同的卷积核组合 | 第71-73页 |
| 5.3.7 RCNN循环单元类型 | 第73-74页 |
| 5.4 本文模型与前人对比 | 第74-77页 |
| 5.5 细分类结果分析 | 第77-80页 |
| 5.5.1 情感类别构成 | 第77页 |
| 5.5.2 结果分析 | 第77-80页 |
| 5.6 本章小结 | 第80-81页 |
| 总结与展望 | 第81-83页 |
| 参考文献 | 第83-88页 |
| 附录 | 第88-89页 |
| 攻读硕士学位期间取得的研究成果 | 第89-90页 |
| 致谢 | 第90-92页 |
| 答辩委员会对论文的评定意见 | 第92页 |
