| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 微博及其特点 | 第11-12页 |
| 1.1.2 微博舆情 | 第12-13页 |
| 1.1.3 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 文本情感分类 | 第14-15页 |
| 1.2.2 微博情感分析 | 第15-17页 |
| 1.3 论文研究内容和创新 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 主要创新点 | 第18-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 神经语言模型相关理论 | 第20-28页 |
| 2.1 分布式词向量 | 第20-21页 |
| 2.2 神经语言模型 | 第21-25页 |
| 2.2.1 语言模型基本任务 | 第21-22页 |
| 2.2.2 典型的神经语言模型 | 第22-25页 |
| 2.3 基于神经语言模型的文本分类 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于混合策略的微博主题数据主动获取技术 | 第28-38页 |
| 3.1 新浪微博热门主题数据获取的挑战性 | 第28-29页 |
| 3.2 网络爬行器设计与实现 | 第29-33页 |
| 3.2.1 热门主题标题采集方法 | 第30页 |
| 3.2.2 热门主题微博主帖内容采集方法 | 第30-32页 |
| 3.2.3 热门主题微博回帖内容采集方法 | 第32页 |
| 3.2.4 爬行器实现 | 第32-33页 |
| 3.3 新浪微博热门主题数据特征分析 | 第33-35页 |
| 3.3.1 爬行结果统计 | 第33页 |
| 3.3.2 微博文本长度分析 | 第33-34页 |
| 3.3.3 发布客户端分析 | 第34-35页 |
| 3.4 数据预处理 | 第35-37页 |
| 3.4.1 微博主帖预处理 | 第35-36页 |
| 3.4.2 微博回帖预处理 | 第36页 |
| 3.4.3 预处理结果数据集 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于半监督递归自动编码的微博文本情感分类技术 | 第38-52页 |
| 4.1 基于递归自动编码的文本情感分类 | 第38-46页 |
| 4.1.1 递归自动编码模型的监督化 | 第38-40页 |
| 4.1.2 模型训练与预测 | 第40-43页 |
| 4.1.3 实验与分析 | 第43-46页 |
| 4.2 基于半监督递归自动编码的文本情感分类 | 第46-51页 |
| 4.2.1 递归自动编码的训练过程半监督化 | 第46-47页 |
| 4.2.2 实验与分析 | 第47-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 新浪微博热门主题情感分析 | 第52-63页 |
| 5.1 微博热门主题情感分析基本框架 | 第52-53页 |
| 5.2 热门主题情感分布特征分析 | 第53-56页 |
| 5.3 极端负面情感主题分析 | 第56-58页 |
| 5.4 热点话题多主题关联及情感演化案例分析 | 第58-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文研究工作总结 | 第63页 |
| 6.2 研究展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者在学期间取得的学术成果目录 | 第70页 |