| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文主要工作 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 Web文本情感分析基础 | 第12-24页 |
| 2.1 本章引论 | 第12页 |
| 2.2 开发平台 | 第12-13页 |
| 2.3 激活函数 | 第13-14页 |
| 2.4 优化器 | 第14-15页 |
| 2.5 注意力机制 | 第15-17页 |
| 2.5.1 注意力机制的基本框架 | 第15-16页 |
| 2.5.2 注意力机制的本质思想 | 第16-17页 |
| 2.5.3 注意力机制的应用 | 第17页 |
| 2.6 循环神经网络 | 第17-23页 |
| 2.6.1 循环神经网络的基本结构 | 第18-19页 |
| 2.6.2 循环神经网络的常见分类 | 第19-22页 |
| 2.6.3 循环神经网络的应用 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第三章 基于改进型CNN和SVM的Web文本分类算法 | 第24-32页 |
| 3.1 本章引论 | 第24页 |
| 3.2 卷积神经网络 | 第24-26页 |
| 3.3 支持向量机 | 第26页 |
| 3.4 算法设计 | 第26-29页 |
| 3.4.1 嵌入层输入 | 第27页 |
| 3.4.2 模型结构 | 第27-28页 |
| 3.4.3 模型训练 | 第28-29页 |
| 3.5 实验及结果分析 | 第29-31页 |
| 3.5.1 数据集 | 第29页 |
| 3.5.2 评价准则 | 第29页 |
| 3.5.3 实验设计 | 第29-30页 |
| 3.5.4 结果分析 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 基于自注意力和双向GRU的Web文本情感分析算法 | 第32-47页 |
| 4.1 本章引论 | 第32页 |
| 4.2 算法框架 | 第32-33页 |
| 4.3 自注意力 | 第33-35页 |
| 4.4 双向门限循环单元 | 第35-36页 |
| 4.5 算法设计 | 第36-42页 |
| 4.5.1 初始化 | 第36页 |
| 4.5.2 文本预处理 | 第36页 |
| 4.5.3 嵌入层输入 | 第36-37页 |
| 4.5.4 特征融合 | 第37-38页 |
| 4.5.5 模型结构 | 第38-40页 |
| 4.5.6 参数设置 | 第40页 |
| 4.5.7 模型训练 | 第40-42页 |
| 4.6 实验及结果分析 | 第42-46页 |
| 4.6.1 实验环境 | 第42页 |
| 4.6.2 数据集 | 第42-43页 |
| 4.6.3 评测指标 | 第43页 |
| 4.6.4 实验设计 | 第43-44页 |
| 4.6.5 结果分析 | 第44-46页 |
| 4.7 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 论文总结 | 第47页 |
| 5.2 课题展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 在学期间的研究成果 | 第52-53页 |
| 致谢 | 第53页 |