| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 在线评论挖掘研究现状 | 第15-16页 |
| 1.2.2 文本分类技术研究现状 | 第16-17页 |
| 1.2.3 研究评述 | 第17-18页 |
| 1.3 本文主要研究内容与结构安排 | 第18-19页 |
| 第二章 相关研究理论与技术 | 第19-28页 |
| 2.1 中文分词技术 | 第19-20页 |
| 2.2 词向量 | 第20-24页 |
| 2.2.1 词向量训练模型 | 第20-23页 |
| 2.2.2 情感词向量 | 第23-24页 |
| 2.3 深度学习理论与方法 | 第24-27页 |
| 2.3.1 深度学习理论概述 | 第24页 |
| 2.3.2 循环络神经网络与BPTT算法 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 在线汽车评论文本分类与应用框架构建 | 第28-34页 |
| 3.1 在线汽车评论对车企的影响和相关应用 | 第28-30页 |
| 3.1.1 在线汽车评论对车企的影响 | 第28-29页 |
| 3.1.2 基于在线汽车评论的相关应用 | 第29-30页 |
| 3.2 在线汽车评论文本分类与应用框架 | 第30-32页 |
| 3.3 在线汽车评论文本分类的关键任务 | 第32-33页 |
| 3.3.1 评论文本分词 | 第32-33页 |
| 3.3.2 评论文本特征提取 | 第33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于LSTM的汽车评论文本分类 | 第34-44页 |
| 4.1 问题引出 | 第34页 |
| 4.2 基于LSTM的汽车评论文本主题分类模型 | 第34-37页 |
| 4.2.1 模型的构建 | 第34-35页 |
| 4.2.2 模型的输入处理 | 第35页 |
| 4.2.3 特征抽取与预测 | 第35-37页 |
| 4.2.4 模型的训练 | 第37页 |
| 4.3 基于情感词向量和BLSTM的汽车评论文本情感分类模型 | 第37-40页 |
| 4.3.1 模型的构建 | 第37-38页 |
| 4.3.2 模型的输入处理 | 第38页 |
| 4.3.3 特征抽取与预测 | 第38-39页 |
| 4.3.4 模型的训练 | 第39-40页 |
| 4.4 汽车评论文本主题分类实验 | 第40-41页 |
| 4.4.1 实验数据 | 第40页 |
| 4.4.2 数据预处理 | 第40-41页 |
| 4.4.3 实验结果与分析 | 第41页 |
| 4.5 汽车评论文本情感分类实验 | 第41-43页 |
| 4.5.1 数据集的选择与处理 | 第41-42页 |
| 4.5.2 对比实验设计 | 第42页 |
| 4.5.3 实验结果与分析 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 汽车评论文本挖掘系统设计与实现 | 第44-55页 |
| 5.1 汽车评论文本挖掘系统需求分析 | 第44-45页 |
| 5.1.1 系统目标 | 第44页 |
| 5.1.2 系统需求分析 | 第44-45页 |
| 5.2 汽车评论文本挖掘系统体系结构 | 第45-52页 |
| 5.2.1 系统整体架构 | 第45-46页 |
| 5.2.2 系统功能模块划分 | 第46-48页 |
| 5.2.3 系统主要功能模块实现流程设计 | 第48-52页 |
| 5.3 汽车评论文本挖掘系统实现 | 第52-54页 |
| 5.3.1 汽车评论文本分类模块实现 | 第52-53页 |
| 5.3.2 汽车评论监测模块实现 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第61-62页 |