第1章引言1

第2章自然语言处理与应用综述3

2.1概述3

2.2自然语言处理的主要研究方法4

2.2.1理性主义与经验主义方法4

2.2.2深度学习与预训练方法及其在自然语言处理

中的应用5

2.3自然语言处理的部分任务及应用7

2.3.1词法分析7

2.3.2句法分析10

2.3.3命名实体识别与特征信息提取11

2.3.4文本摘要12

2.3.5机器翻译13

2.4本章小结14

参考文献14

第3章文本情感与情绪分析综述22

3.1概述22

3.2文本情感分析22

3.2.1情感信息抽取23

3.2.2情感分类24

3.2.3立场分析24

3.3文本情绪分析26

3.3.1传统的情绪分析方法26

3.3.2基于深度学习的情绪分析31

3.4本章小结34

参考文献35

〖1〗〖2〗〖1〗〖3〗第4章面向微博文本的情绪及其诱因分析43

4.1总体技术路线43

4.2情绪模型45

4.2.1事件结果类46

4.2.2主体行为类46

4.2.3事件结果类和主体行为类的复合情绪47

4.2.4实体对象类47

4.3分析和提取情绪诱因事件48

4.3.1事件结果类的诱因事件分析与提取48

4.3.2主体行为类的诱因事件分析与提取50

4.3.3实体对象类的诱因事件分析与提取50

4.4情绪校验与修正50

4.5基于贝叶斯概率模型的诱因成分分析51

4.5.1基于语料的情绪词典构造52

4.5.2语言特征对情绪诱因的影响分析52

4.5.3基于贝叶斯概率模型的诱因比例计算56

4.6基于语言特征的情绪分类57

4.6.1词性特征分析57

4.6.2句法结构特征分析58

4.6.3情绪词与上下文的关系特征分析59

4.6.4特征降维62

4.6.5情绪分类63

4.7实验与分析63

4.7.1实验语料与测度说明63

4.7.2实验与结果分析66

4.8本章小结74

参考文献74

第5章面向话题评论的立场分析76

5.1概述76

5.2基于AATABiLSTM模型的用户立场分析77

5.2.1基于词向量的话题扩充方法77

5.2.2基于双向LSTM与Attention的处理机制79

5.2.3实验82

5.3基于迁移学习的新话题评论预测87

5.3.1跨领域迁移学习模型的组成、预训练与预测88

5.3.2实验与分析89

5.4本章小结94

参考文献94

第6章文本表示及在情绪分类中的应用96

6.1概述96

6.2基于注意力机制的双向LSTM的文本表示97

6.2.1输入层97

6.2.2特征学习层98

6.2.3特征权重学习层100

6.2.4输出层100

6.2.5实验设计与结果分析101

6.2.6基于注意力权重可视化的不同词性标签与情绪类别间的关系108

6.3基于两阶注意力机制的文本表示110

6.3.1输入层110

6.3.2特征学习层110

6.3.3特征权重学习层111

6.3.4实验与分析112

6.3.5实例分析114

6.4基于注意力聚合网络的文本表示115

6.4.1输入层116

6.4.2特征学习层117

6.4.3特征权重学习层118

6.4.4实验设计与结果分析118

6.5本章小结122

参考文献122