声明
致谢
1 引言
1.1 研究背景及意义
1.2 研究现状
1.2.1 粗粒度情感类别分析研究
1.2.2 细粒度情感类别分析研究
1.2.3 细粒度意见抽取分析研究
1.3 论文研究内容与组织架构
2 相关理论与技术基础
2.1 文本表示方法
2.1.1 独热向量表示
2.1.2 语言模型
2.1.3 分布式向量表示
2.2 深度学习神经网络模型
2.2.1 卷积神经网络
2.2.2 循环神经网络
2.3 注意力机制
2.4 意见挖掘评估指标
2.5 本章小结
3 融合句法信息的图卷积网络分类方法
3.1 问题分析及解决方案
3.1.1 问题分析
3.1.2 解决方案
3.2 背景知识
3.2.1 依存句法树
3.2.2 图卷积神经网络结构
3.2.3 LSTM长短时记忆网络
3.3 任务流程
3.4 模型结构
3.4.1 高层编码模块改进:引入依存句法图
3.4.2 高层编码模块改进:融合句法信息的图卷积网络
3.4.3 高层编码模块改进:引入局部上下文遮盖层
3.5 实验结果及分析
3.5.1 实验数据
3.5.2 实验设置
3.5.3 评价方法
3.5.4 实验结果
3.5.5 实验分析
3.6 本章小结
4 联合目标监督信号的意见词抽取模型
4.1 问题分析及解决方案
4.1.1 问题分析
4.1.2 解决方案
4.2 背景知识
4.2.1 序列标注
4.2.2 IOG模型
4.3 任务流程
4.4 模型结构
4.4.1 共享特征提取层改进:卷积层提取文本表征
4.4.2 目标监督学习层:监督信号指导意见词特征学习
4.4.3 输出层
4.5 实验结果及分析
4.5.1 实验数据
4.5.2 实验设置
4.5.3 评价方法
4.5.4 实验结果
4.5.5 实验分析
4.6 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;