1. 研究目的与意义、国内外研究现状（文献综述）
随着信息技术的发展，信息的传播形式、传播速度都发生了翻天覆地的变化，网络已经成为舆情了十分重要的传播媒体。在移动互联网时代，一个小小的信息源可能以极快的速度辐射到全网，形成极高的关注度进而形成网络舆情[1]。在新媒体时代，企业更加注重自身企业形象的维持和宣传，一旦出现负面新闻或是舆情危机，如果缺乏很好的管控和应急处置，对企业的经济、社会形象等影响都是巨大的。自2009年起，企业网络舆论[2]逐渐呈高发态势，各类企业网络舆情的增加以及一些诸如“三鹿奶粉事件”、圣元“婴幼儿奶粉事件”等典型案列的出现，表明网络舆情对于企业的安定和发展产生着越来越大的影响。网络舆情形成迅速，传播广泛，同时具有较大的自由性、交互性以及隐蔽性，有着传统媒体无法比拟的影响力。因此加深企业对于网络舆情的认识，提升企业的网络舆情应对策略具有十分重要的意义。
网络舆情[3]是指社会公众以现有计算机网络技术为依托，在区别于现实社会的虚拟空间内，对于国家事务、娱乐事件、公共焦点、社会现象等方面的具体事件而秉持的带有一定影响力与倾向性的个人看法、诉求、政治态度及情绪的总和，是政府、企业了解社会舆论走向、民情民意的重要渠道。
目前国内外在相关研究领域主要是按照实现方式的不同，可分为无监督学习和有监督学习两种。基于有监督学习的方法[4]朴素贝叶斯、支持向量机和最大熵等。2002年，pang[5]等人首次应用机器学习算法[6]针对电影评论数据进行情感分析，试验结果表明，基于支持向量机、朴素贝叶斯等机器学习的方法正确率、召回率等指标要优于大多数基于领域知识的规则算法，证明了机器学习作为情感分析主要方法的可行性。刘志明[7]等人针对机器学习的三种主要算法、特征抽取以及权重计算的三种方法进行了测试研究，通过多次试验证明应用支持向量机算法进行机器学习，通过信息增益算法进行特征选取，基于tf-idf进行权重计算的方式能达到最优的情感倾向分类效果。
2. 研究的基本内容和问题
目标：实现基于深度学习的企业产品网络舆情分析系统
内容：实现基于深度学习的企业产品网络舆情分析功能
数据获取功能：实现能够爬取多个平台上同一产品的购买者对该产品的评价及产品相关新闻的描述，并对数据进行保存，构建适合网络舆情分析的数据集。
3. 研究的方法与方案
研究方法：使用tensorflow框架python语言搭建深度学习网络，进行深度学习，也可以在jupyter notebook开发工具中使用keras框架进行深度学习。
技术路线：采用python的beautiful soup爬取各大平台对某一产品的所有评论，将获得的数据集划分为训练集与测试集，对爬下来的的文本进行预处理（用结巴分词对文本进行分词、去除停用词、词性分析等），用word2vec工具实现评论数据的向量化，在tensorflow框架下搭建模型，用深度学习网络来进行特征抽取，如cnn、lstm、dbn等，再用svm分类器进行分类，最后用python的pyqt5写界面。
4. 研究创新点
特色：1、使用深度学习对企业产品网络舆情进行分析。
2、实现系统的可视化，可以方便用户直观的了解产品的舆情动态，并且将同一类型不同品牌的产品进行对比，供用户进行选择。
5. 研究计划与进展
第一周：学习python和tensorflow框架，了解深度学习的相关概念和专业术语，了解深度学习的流程和如何利用tensorflow建立模型，并查找有关网络舆情分析的论文，研究相关技术，对传统技术与基于深度学习的网络舆情分析算法进行对比。
第二周：选定方便爬取信息的不同平台，要求该平台的相关评论数量充足，并将评论爬取保存制作数据集，划分训练集与测试集，尝试设计网络。
第三周和第四周：对网络进行训练和调试，找到效果最好的训练结果。
