基于深度学习的中文评论观点抽取研究
| 摘要 | 第7-8页 |
| abstract | 第8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 论文研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 深度学习研究现状 | 第13-14页 |
| 1.2.2 深度学习在NLP领域研究现状 | 第14页 |
| 1.2.3 观点抽取研究现状 | 第14-16页 |
| 1.2.4 情感分析研究现状 | 第16页 |
| 1.3 本文的研究内容及结构安排 | 第16-18页 |
| 第2章 相关技术介绍 | 第18-23页 |
| 2.1 技术框架介绍 | 第18-19页 |
| 2.1.1 Selenium介绍 | 第18页 |
| 2.1.2 TensorFlow介绍 | 第18-19页 |
| 2.2 专业名词介绍 | 第19-20页 |
| 2.2.1 属性词 | 第19-20页 |
| 2.2.2 句子极性 | 第20页 |
| 2.3 LSTM介绍 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 数据抓取及标注 | 第23-34页 |
| 3.1 数据选择与抓取 | 第24-26页 |
| 3.1.1 数据选择 | 第24页 |
| 3.1.2 数据抓取 | 第24-26页 |
| 3.2 文本分词与词向量训练 | 第26-29页 |
| 3.2.1 文本分词 | 第26-27页 |
| 3.2.2 训练词向量 | 第27-29页 |
| 3.3 数据集标注与序列标注 | 第29-32页 |
| 3.3.1 数据集标注 | 第29-32页 |
| 3.3.2 序列标注 | 第32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于记忆网络的中文评论观点属性词抽取 | 第34-49页 |
| 4.1 问题描述 | 第34页 |
| 4.2 基于记忆网络的深度学习抽取模型 | 第34-41页 |
| 4.2.1 词向量表征 | 第35页 |
| 4.2.2 BiLSTM模块 | 第35-37页 |
| 4.2.3 记忆网络MeN模块 | 第37-40页 |
| 4.2.4 BiLSTM信息与MeN信息融合 | 第40页 |
| 4.2.5 CRF模块 | 第40-41页 |
| 4.3 实验设置与对比方案 | 第41-44页 |
| 4.3.1 模型设置及说明 | 第41-42页 |
| 4.3.2 激活函数 | 第42页 |
| 4.3.3 损失函数 | 第42-43页 |
| 4.3.4 评价标准 | 第43页 |
| 4.3.5 实验环境 | 第43-44页 |
| 4.3.6 对比方案设计 | 第44页 |
| 4.4 实验结果与分析 | 第44-48页 |
| 4.4.1 不同模型结果对比 | 第44-47页 |
| 4.4.2 不同词向量影响的对比 | 第47页 |
| 4.4.3 不同词向量维度影响的对比 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于记忆网络的中文评论观点句子级情感分类 | 第49-58页 |
| 5.1 问题描述 | 第49页 |
| 5.2 基于记忆网络的深度学习分类模型 | 第49-52页 |
| 5.2.1 词向量表征 | 第50页 |
| 5.2.2 BiLSTM模块 | 第50-51页 |
| 5.2.3 MeN模块 | 第51页 |
| 5.2.4 BiLSTM信息与MeN信息融合 | 第51页 |
| 5.2.5 Softmax层 | 第51-52页 |
| 5.3 实验设置与对比方案 | 第52-54页 |
| 5.3.1 模型设置及说明 | 第52页 |
| 5.3.2 激活函数 | 第52页 |
| 5.3.3 损失函数 | 第52-53页 |
| 5.3.4 评价标准 | 第53页 |
| 5.3.5 实验环境 | 第53-54页 |
| 5.3.6 对比方案设计 | 第54页 |
| 5.4 实验结果与分析 | 第54-57页 |
| 5.4.1 不同模型结果对比 | 第54-55页 |
| 5.4.2 不同词向量影响的对比 | 第55-56页 |
| 5.4.3 不同词向量维度影响的对比 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 工作总结 | 第58页 |
| 工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第67页 |
