| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 课题的研究背景 | 第10-12页 |
| 1.2 研究的目的及意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-19页 |
| 1.3.1 中文微博情感极性研究现状 | 第13-15页 |
| 1.3.2 半监督学习在自然语言处理领域的研究现状 | 第15-17页 |
| 1.3.3 主动学习在自然语言处理领域的研究现状 | 第17-18页 |
| 1.3.4 深度学习在自然语言处理领域的研究现状 | 第18-19页 |
| 1.4 论文的主要研究工作 | 第19-21页 |
| 1.5 论文的结构安排 | 第21-22页 |
| 1.6 本章小结 | 第22-23页 |
| 第2章 中文微博情感特征提取研究 | 第23-35页 |
| 2.1 中文微博情感特征的提取 | 第23-31页 |
| 2.1.1 微博语义相关的特征 | 第23-24页 |
| 2.1.2 基于bag-of-words模型的微博词汇特征 | 第24-25页 |
| 2.1.3 基于情感词典的微博子句情感极性计算 | 第25-28页 |
| 2.1.4 基于bag-of-words模型的词汇特征提取 | 第28-29页 |
| 2.1.5 实验结果及分析 | 第29-31页 |
| 2.2 词向量(WordRepresentation) | 第31-34页 |
| 2.2.1 基于word2vec模型的词向量 | 第32-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第3章 基于主动学习算法的中文微博情感极性分析 | 第35-50页 |
| 3.1 主动学习框架 | 第35-37页 |
| 3.2 不确定性选择策略 | 第37页 |
| 3.3 主动学习算法流程 | 第37-38页 |
| 3.4 主动学习算法分类器的选择 | 第38-42页 |
| 3.4.1 基于SVM的情感分类模型 | 第39页 |
| 3.4.2 基于LSTM的情感分类模型 | 第39-42页 |
| 3.5 实验结果与分析 | 第42-48页 |
| 3.5.1 数据集准备 | 第42-43页 |
| 3.5.2 实验环境 | 第43页 |
| 3.5.3 实验设置 | 第43页 |
| 3.5.4 实验1不同学习步长对主动学习的影响 | 第43-44页 |
| 3.5.5 实验2不同迭代次数对主动学习的影响 | 第44-45页 |
| 3.5.6 实验3基于SVM和基于LSTM的主动学习算法对比实验 | 第45-47页 |
| 3.5.7 实验4与监督学习算法的极性预测时间对比实验 | 第47-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第4章 基于协同学习算法的中文微博情感极性分析 | 第50-60页 |
| 4.1 协同学习框架 | 第50-52页 |
| 4.2 协同学习算法流程 | 第52-54页 |
| 4.3 实验结果与分析 | 第54-59页 |
| 4.3.1 数据集准备 | 第54页 |
| 4.3.2 实验环境 | 第54页 |
| 4.3.3 实验设置 | 第54-55页 |
| 4.3.4 实验1不确定性的标注样本对协同学习的影响 | 第55页 |
| 4.3.5 实验2不同的训练步长对协同学习的影响 | 第55-56页 |
| 4.3.6 实验3与主动学习算法对比实验 | 第56-58页 |
| 4.3.7 实验4与监督学习算法的极性预测时间对比实验 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 微博情感极性分析原型系统的设计与实现 | 第60-70页 |
| 5.1 系统构建的目的和意义 | 第60-61页 |
| 5.2 系统的总体架构 | 第61-63页 |
| 5.3 系统的实现 | 第63-68页 |
| 5.3.1 预处理和特征提取子系统 | 第64-66页 |
| 5.3.2 模型训练子系统 | 第66-67页 |
| 5.3.3 微博文本情感极性预测子系统 | 第67-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 论文总结工作 | 第70-71页 |
| 6.2 论文展望工作 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士期间获得与学位论文相关的科研成果 | 第77页 |
