面向微博文本的分词及情感分析研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第10-13页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 本文主要内容 | 第12页 |
| 1.3 论文的组织 | 第12-13页 |
| 2 相关工作 | 第13-24页 |
| 2.1 情感分析相关研究 | 第13-17页 |
| 2.1.1 国内外相关研究 | 第13-15页 |
| 2.1.2 情感分析面临的主要问题 | 第15-16页 |
| 2.1.3 情感分析的相关评测及资源 | 第16页 |
| 2.1.4 语料库和情感词典的构建 | 第16-17页 |
| 2.2 中文分词相关研究 | 第17-24页 |
| 2.2.1 国内外相关研究 | 第17-19页 |
| 2.2.2 分词模型简介 | 第19-22页 |
| 2.2.2.1 隐马尔可夫模型 | 第20-21页 |
| 2.2.2.2 条件随机场 | 第21-22页 |
| 2.2.3 中文分词相关评测 | 第22-23页 |
| 2.2.4 微博分词难点 | 第23-24页 |
| 3 基于表示学习的微博分词 | 第24-36页 |
| 3.1 字向量的获取 | 第24-27页 |
| 3.1.1 Word2vec | 第24-27页 |
| 3.1.2 GloVe | 第27页 |
| 3.2 字向量的使用 | 第27-30页 |
| 3.2.1 LSTM网络结构 | 第27-29页 |
| 3.2.2 CRF特征模板的设计 | 第29-30页 |
| 3.3 数据后处理 | 第30-32页 |
| 3.4 实验与结果分析 | 第32-36页 |
| 3.4.1 数据集与实验设计 | 第32-34页 |
| 3.4.2 实验结果分析 | 第34-36页 |
| 4 基于表示学习的情感分析 | 第36-43页 |
| 4.1 句向量的相关工作 | 第36-39页 |
| 4.2 表示学习方法进行情感分析 | 第39-41页 |
| 4.2.1 句向量的获取 | 第39-41页 |
| 4.3 实验与结果分析 | 第41-43页 |
| 4.3.1 数据集与实验设计 | 第41-42页 |
| 4.3.2 实验结果分析 | 第42-43页 |
| 5 总结与展望 | 第43-44页 |
| 5.1 总结 | 第43页 |
| 5.2 展望 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 个人简历、在校期间发表的学术论文及研究成果 | 第48-49页 |
| 个人简历 | 第48页 |
| 在学校期间发表的论文 | 第48-49页 |
| 致谢 | 第49页 |
