| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 背景知识 | 第18-38页 |
| 2.1 引言 | 第18页 |
| 2.2 神经网络介绍 | 第18-24页 |
| 2.2.1 神经网络结构 | 第19-21页 |
| 2.2.2 模型训练 | 第21-22页 |
| 2.2.3 卷积神经网络介绍 | 第22-24页 |
| 2.3 基于神经网络的文本情感分类模型介绍 | 第24-26页 |
| 2.3.1 DAN模型介绍 | 第25页 |
| 2.3.2 LSTM模型介绍 | 第25-26页 |
| 2.4 词向量介绍 | 第26-35页 |
| 2.4.1 词的表示方法 | 第26-28页 |
| 2.4.2 神经网络语言模型 | 第28-30页 |
| 2.4.3 Skip-gram模型介绍 | 第30-34页 |
| 2.4.4 Skip-gram模型优化 | 第34-35页 |
| 2.5 情感词向量相关技术介绍 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于监督学习的情感词向量生成算法 | 第38-59页 |
| 3.1 引言 | 第38-39页 |
| 3.2 算法思路 | 第39-40页 |
| 3.3 词语级的有监督模型 | 第40-45页 |
| 3.3.1 词的情感极性获取 | 第40-43页 |
| 3.3.2 改进的skip-gram模型 | 第43-45页 |
| 3.4 句子级的有监督模型 | 第45-49页 |
| 3.4.1 句子的表示 | 第45-46页 |
| 3.4.2 卷积神经网络模型 | 第46-49页 |
| 3.5 情感词向量生成模型 | 第49-50页 |
| 3.6 实验 | 第50-57页 |
| 3.6.1 实验数据 | 第50-53页 |
| 3.6.2 实验设置 | 第53-54页 |
| 3.6.3 实验结果与分析 | 第54-57页 |
| 3.7 本章小结 | 第57-59页 |
| 第四章 情感词向量在情感分析中的应用 | 第59-75页 |
| 4.1 引言 | 第59-60页 |
| 4.2 情感词典的构建 | 第60-70页 |
| 4.2.1 任务描述和思路 | 第60-61页 |
| 4.2.2 标签传播算法介绍 | 第61-62页 |
| 4.2.3 词向量相似度计算 | 第62-63页 |
| 4.2.4 基于情感词向量和标签传播的情感词典生成算法 | 第63-65页 |
| 4.2.5 实验 | 第65-70页 |
| 4.3 句子级的情感分析 | 第70-74页 |
| 4.3.1 任务描述和思路 | 第70-71页 |
| 4.3.2 实验 | 第71-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 本文工作总结 | 第75-76页 |
| 5.2 不足与展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 附录 | 第82-83页 |