近年來(lái),國(guó)內(nèi)的各個(gè)門戶網(wǎng)站不斷探索和深化微博應(yīng)用,使其匯集了大量的輿論信息,這些輿論信息包含了大量的情感信息。在微博等社交平臺(tái)上進(jìn)行文本挖掘,不僅可以分析博文的情感傾向,同時(shí)也可以根據(jù)用戶的語(yǔ)言風(fēng)格和用戶注冊(cè)的性別、年齡、地域、學(xué)歷背景等信息來(lái)為用戶構(gòu)建相應(yīng)的用戶剖像。而在用戶剖像的范疇中,個(gè)性分析是非常重要也是比較困難的問(wèn)題。正確識(shí)別微博用戶發(fā)表的博文情感傾向有助于政府收集民意,有利于商家調(diào)整營(yíng)銷策略,同時(shí),用戶畫像在優(yōu)化用戶體驗(yàn)上、提高經(jīng)濟(jì)效益上都有舉足輕重的作用。此外,情感分析和用戶剖像屬于語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)、心理學(xué)等交叉研究領(lǐng)域的重要研究課題。探究微博蘊(yùn)含的情感傾向信息和構(gòu)建合理的用戶剖像具有重要的學(xué)術(shù)與應(yīng)用價(jià)值。本文主要研究工作如下:1)提出一種基于LSTM(長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型)的短文本情感極性分類方法,通過(guò)實(shí)驗(yàn)選取性能較好的文本特征化方法,并確定合適的隱藏層層數(shù)和各層神經(jīng)元個(gè)數(shù)。然后通過(guò)大量的微博數(shù)據(jù)對(duì)此模型進(jìn)行訓(xùn)練,最終把此模型的性能和支持向量機(jī)、貝葉斯網(wǎng)絡(luò)等其他機(jī)器學(xué)習(xí)算法做比較。2)提出一種基于KNN算法的用戶個(gè)性分類方法,首先以流行的心理學(xué)模型和個(gè)性分析知識(shí)庫(kù)為基礎(chǔ)...

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 本文主要研究工作
        1.2.1 基于LSTM的情感分析
        1.2.2 基于心理學(xué)模型的個(gè)性預(yù)測(cè)
        1.2.3 基于情感分析與個(gè)性預(yù)測(cè)的用戶剖像構(gòu)建
    1.3 論文組織結(jié)構(gòu)
第2章 相關(guān)工作綜述
    2.1 文本情感分析
    2.2 基于深度學(xué)習(xí)的文本挖掘
    2.3 詞嵌入
    2.4 用戶畫像
    2.5 用戶個(gè)性預(yù)測(cè)
    2.6 本章小結(jié)
第3章 基于LSTM的情感分析
    3.1 前言
    3.2 基于LSTM的情感分析的框架設(shè)計(jì)
        3.2.1 情感分析模型的選取
        3.2.2 情感分析的框架設(shè)計(jì)
    3.3 情感分析模型要素剖析
        3.3.1 LSTM模型的構(gòu)建分析
        3.3.2 特征工程的方法選擇
        3.3.3 情感分析模型參數(shù)選取分析
    3.4 LSTM模型剖析
    3.5 實(shí)驗(yàn)與分析
        3.5.1 語(yǔ)料收集及評(píng)測(cè)指標(biāo)
        3.5.2 輸入層表征方法選取實(shí)驗(yàn)
        3.5.3 隱藏層層數(shù)選取
        3.5.4 隱藏層神經(jīng)元個(gè)數(shù)選取
        3.5.5 總體實(shí)驗(yàn)與分析
    3.6 本章小結(jié)
第4章 基于心理學(xué)模型的用戶個(gè)性預(yù)測(cè)
    4.1 前言
    4.2 基于Big Five個(gè)性分析的框架設(shè)計(jì)
    4.3 Big Five模型與LIWC詞典分析
        4.3.1 Big Five模型分析
        4.3.2 LIWC詞典分析
        4.3.3 Big Five與LIWC詞典的映射關(guān)系分析
    4.4 個(gè)性預(yù)測(cè)算法設(shè)計(jì)
        4.4.1 數(shù)據(jù)預(yù)處理算法
        4.4.2 用戶個(gè)性打分模型構(gòu)建與算法設(shè)計(jì)
        4.4.3 基于KNN用戶個(gè)性預(yù)測(cè)的算法設(shè)計(jì)
    4.5 實(shí)驗(yàn)與分析
        4.5.1 LIWC詞典及向量空間模型合理性實(shí)驗(yàn)
        4.5.2 基于KNN的個(gè)性預(yù)測(cè)
    4.6 本章小結(jié)
第5章 基于情感分析與個(gè)性預(yù)測(cè)的用戶剖像構(gòu)建
    5.1 前言
    5.2 用戶剖像構(gòu)建主體思路與方法
    5.3 基于LSTM的情感值量化
    5.4 情感值波動(dòng)與個(gè)性關(guān)聯(lián)指標(biāo)分析
        5.4.1 情感值波動(dòng)—方差
        5.4.2 用戶剖像中的相關(guān)性分析
    5.5 性別預(yù)測(cè)
        5.5.1 基于用戶昵稱的樸素貝葉斯性別預(yù)測(cè)
        5.5.2 基于博文內(nèi)容的SVM性別預(yù)測(cè)
        5.5.3 模型融合方法性別預(yù)測(cè)
    5.6 實(shí)驗(yàn)與分析
        5.6.1 性別預(yù)測(cè)實(shí)驗(yàn)
        5.6.2 用戶屬性相關(guān)度度量實(shí)驗(yàn)
    5.7 本章小結(jié)
第6章 應(yīng)用系統(tǒng)實(shí)例
    6.1 前言
    6.2 系統(tǒng)總體設(shè)計(jì)
    6.3 系統(tǒng)功能模塊
    6.4 情感分析及用戶剖像結(jié)果展示
    6.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表論文及所做工作
致謝



本文編號(hào)：3799593