文本大数据情感分析

本书从多个维度对文本大数据情感分析技术进行了阐述，内容涵盖有关自然语言处理和文本情感、情绪方法，以及面向微博文本的情绪及其诱因分析、面向话题评论的立场分析、文本表示方法及其在情绪分类中的应用。本书以模块化的方式进行组织，理论性强，条理清晰。作者团队以认真严谨的科学态度实现了书中的主要方法，描述了各种方法取得的效果。本书可为高校相关专业（如计算机科学与技术、软件工程等）学生的学习和科研工作提供帮助，同时对从事文本挖掘、自然语言处理的工程技术人员也具有较高的参考价值。

第1章 引言
第2章 自然语言处理与应用综述
2.1 概述
2.2 自然语言处理的主要研究方法
2.2.1 理性主义与经验主义方法
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
2.3 自然语言处理的部分任务及应用
2.3.1 词法分析
2.3.2 句法分析
2.3.3 命名实体识别与特征信息提取
2.3.4 文本摘要
2.3.5 机器翻译
2.4 本章小结
参考文献
第3章 文本情感与情绪分析综述
3.1 概述
3.2 文本情感分析
3.2.1 情感信息抽取
3.2.2 情感分类
3.2.3 立场分析
3.3 文本情绪分析
3.3.1 传统的情绪分析方法
3.3.2 基于深度学习的情绪分析
3.4 本章小结
参考文献
第4章 面向微博文本的情绪及其诱因分析
4.1 总体技术路线
4.2 情绪模型
4.2.1 事件结果类
4.2.2 主体行为类
4.2.3 事件结果类和主体行为类的复合情绪
4.2.4 实体对象类
4.3 分析和提取情绪诱因事件
4.3.1 事件结果类的诱因事件分析与提取
4.3.2 主体行为类的诱因事件分析与提取
4.3.3 实体对象类的诱因事件分析与提取
4.4 情绪校验与修正
4.5 基于贝叶斯概率模型的诱因成分分析
4.5.1 基于语料的情绪词典构造
4.5.2 语言特征对情绪诱因的影响分析
4.5.3 基于贝叶斯概率模型的诱因比例计算
4.6 基于语言特征的情绪分类
4.6.1 词性特征分析
4.6.2 句法结构特征分析
4.6.3 情绪词与上下文的关系特征分析
4.6.4 特征降维
4.6.5 情绪分类
4.7 实验与分析
4.7.1 实验语料与测度说明
4.7.2 实验与结果分析
4.8 本章小结
参考文献
第5章 面向话题评论的立场分析
5.1 概述
5.2 基于AATA-BiLSTM模型的用户立场分析
5.2.1 基于词向量的话题扩充方法
5.2.2 基于双向LSTM与Attention的处理机制
5.2.3 实验
5.3 基于迁移学习的新话题评论预测
5.3.1 跨领域迁移学习模型的组成、预训练与预测
5.3.2 实验与分析
5.4 本章小结
参考文献
第6章 文本表示及在情绪分类中的应用
6.1 概述
6.2 基于注意力机制的双向LSTM的文本表示
6.2.1 输入层
6.2.2 特征学习层
6.2.3 特征权重学习层
6.2.4 输出层
6.2.5 实验设计与结果分析
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
6.3 基于两阶注意力机制的文本表示
6.3.1 输入层
6.3.2 特征学习层
6.3.3 特征权重学习层
6.3.4 实验与分析
6.3.5 实例分析
6.4 基于注意力聚合网络的文本表示
6.4.1 输入层
6.4.2 特征学习层
6.4.3 特征权重学习层
6.4.4 实验设计与结果分析
6.5 本章小结
参考文献