| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 文本情感分析 | 第10-12页 |
| 1.2.2 机器学习与深度学习 | 第12-13页 |
| 1.3 研究难点 | 第13-14页 |
| 1.4 论文研究内容 | 第14-15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 2 文本情感分类相关知识 | 第17-27页 |
| 2.1 文本预处理 | 第17-20页 |
| 2.1.1 中文分词 | 第17-18页 |
| 2.1.2 停用词处理 | 第18-19页 |
| 2.1.3 词性标注 | 第19-20页 |
| 2.2 情感词典相关知识 | 第20页 |
| 2.3 文本表示模型 | 第20-22页 |
| 2.4 文本特征选择 | 第22-23页 |
| 2.5 分类方法 | 第23-25页 |
| 2.6 本章小结 | 第25-27页 |
| 3 基于词向量的电商评价情感词典的构造与应用 | 第27-47页 |
| 3.1 公共通用情感词典 | 第27-28页 |
| 3.2 常见的情感词典构造方法 | 第28-30页 |
| 3.3 基于神经网络的word2vec工具 | 第30-31页 |
| 3.4 基于word2vec的电商情感词典的构造方法 | 第31-37页 |
| 3.4.1 语料的准备 | 第31-35页 |
| 3.4.2 语料的预处理 | 第35页 |
| 3.4.3 标准情感的参考词库建立 | 第35页 |
| 3.4.4 候选词与参考词的词向量构建 | 第35-36页 |
| 3.4.5 电商情感词典的扩展与构建(词向量相似度比较) | 第36-37页 |
| 3.5 基于的电商情感词典的文本分类应用方法 | 第37-39页 |
| 3.5.1 情感倾向性分析 | 第37-38页 |
| 3.5.2 情感极性量化计算 | 第38-39页 |
| 3.6 实验及分析 | 第39-46页 |
| 3.6.1 实验环境 | 第39-40页 |
| 3.6.2 实验过程 | 第40-45页 |
| 3.6.3 实验结果及分析 | 第45-46页 |
| 3.7 本章小结 | 第46-47页 |
| 4 基于情感词典与卷积神经网络的电商评价情感分类模型 | 第47-63页 |
| 4.1 基于情感词典的词向量输入构造 | 第48-51页 |
| 4.2 基于卷积神经网络模型的文本情感分类模型构造 | 第51-56页 |
| 4.2.1 基于卷积神经网络的模型结构设计 | 第51-55页 |
| 4.2.2 基于卷积神经网络的模型训练 | 第55-56页 |
| 4.3 实验及分析 | 第56-61页 |
| 4.3.1 实验环境 | 第56-57页 |
| 4.3.2 实验过程 | 第57-60页 |
| 4.3.3 实验结果与分析 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 5 基于深度学习的Shunt-C&RNN文本情感分类模型 | 第63-81页 |
| 5.1 基于深度学习的Shunt-C&RNN模型概述 | 第64页 |
| 5.2 循环神经网络模型概述 | 第64-69页 |
| 5.2.1 基于LSTM的卷积神经网络模型 | 第66-68页 |
| 5.2.2 基于BLSTM的卷积神经网络模型 | 第68-69页 |
| 5.3 关于Shunt-C&RNN模型的构造 | 第69-72页 |
| 5.3.1 循环神经网络模型RNN的结构设计 | 第69-70页 |
| 5.3.2 卷积神经网络模型CNN的结构设计 | 第70-71页 |
| 5.3.3 分流器Shunt的规则结构设定 | 第71-72页 |
| 5.3.4 Shunt-C&RNN模型训练 | 第72页 |
| 5.4 实验及分析 | 第72-78页 |
| 5.4.1 实验环境 | 第72-73页 |
| 5.4.2 实验过程 | 第73-76页 |
| 5.4.3 实验结果与分析 | 第76-78页 |
| 5.5 本章小结 | 第78-81页 |
| 6 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81-82页 |
| 6.2 展望 | 第82-83页 |
| 致谢 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 附录 | 第89页 |
| A.作者在攻读学位期间发表的论文目录 | 第89页 |
| B.作者在攻读学位期间负责的科研项目 | 第89页 |
| C.作者在攻读学位期间获得的软件著作权与奖项荣誉情况 | 第89页 |
