| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-11页 |
| 1.2.1 文本倾向性分析研究现状 | 第9-10页 |
| 1.2.2 集成迁移学习研究现状 | 第10-11页 |
| 1.3 论文主要工作及结构安排 | 第11-14页 |
| 第2章 集成学习与迁移学习 | 第14-20页 |
| 2.1 集成学习研究现状与主流算法 | 第14-17页 |
| 2.2 迁移学习 | 第17-18页 |
| 2.3 集成迁移学习算法 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 文本倾向性分析研究 | 第20-28页 |
| 3.1 文本倾向性分析处理流程 | 第20-21页 |
| 3.2 文本特征表示方法 | 第21-24页 |
| 3.2.1 文本倾向性分析常用特征 | 第21-22页 |
| 3.2.2 传统文本表示方法 | 第22-23页 |
| 3.2.3 基于深度学习的文本表示方法 | 第23-24页 |
| 3.3 文本倾向性分析研究现状 | 第24-26页 |
| 3.3.1 文本倾向性分析实现方法 | 第24-25页 |
| 3.3.2 文本倾向性分析存在的问题 | 第25-26页 |
| 3.4 本章小结 | 第26-28页 |
| 第4章 基于集成迁移学习的绝对不平衡分类算法优化与实现 | 第28-40页 |
| 4.1 基于集成迁移学习的绝对不平衡分类算法框架 | 第28-29页 |
| 4.2 基于权重恢复因子的TrAdaBoost算法 | 第29-32页 |
| 4.3 CETLA算法 | 第32-34页 |
| 4.4 实验设置 | 第34-37页 |
| 4.4.1 实验数据集 | 第34-35页 |
| 4.4.2 评价指标 | 第35-36页 |
| 4.4.3 实验参数设置 | 第36-37页 |
| 4.5 实验结果与分析 | 第37-39页 |
| 4.5.1 改进的TrAdaBoost算法性能评估 | 第37-38页 |
| 4.5.2 基于集成迁移学习的绝对不平衡分类改进算法性能评估 | 第38-39页 |
| 4.6 本章小结 | 第39-40页 |
| 第5章 基于多特征融合的情感分类算法优化与实现 | 第40-48页 |
| 5.1 情感分类模型 | 第40-42页 |
| 5.2 基于多特征融合的词向量表示方法 | 第42-43页 |
| 5.3 实验设置 | 第43-46页 |
| 5.3.1 实验环境 | 第43-44页 |
| 5.3.2 word2vec工具简介 | 第44-45页 |
| 5.3.3 实验数据 | 第45-46页 |
| 5.4 实验结果分析 | 第46页 |
| 5.5 本章小结 | 第46-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 发表论文和参加科研情况说明 | 第54-56页 |
| 致谢 | 第56页 |
