【摘要】：移動(dòng)互聯(lián)網(wǎng)助推的電子商務(wù)時(shí)代使得商品評(píng)價(jià)空前繁榮,論文提出一種基于深度學(xué)習(xí)的改進(jìn)型模型來分析評(píng)價(jià)數(shù)據(jù)的情感。首先通過分詞與綜合停用詞表等預(yù)處理數(shù)據(jù)集,然后使用Skip-gram模型訓(xùn)練出數(shù)據(jù)集中每個(gè)詞的詞向量,并使用自擴(kuò)充情感詞典對(duì)評(píng)價(jià)語句情感極性進(jìn)行量化,量化的情感正負(fù)值與詞向量形成融合矩陣輸入,并通過分流規(guī)則設(shè)計(jì)進(jìn)行差異網(wǎng)絡(luò)輸入,選擇CNN或RNN完成抽象特征提取,即Shunt-CRNN產(chǎn)品評(píng)價(jià)分類模型(改進(jìn)型深度學(xué)習(xí)方法)。與傳統(tǒng)機(jī)器學(xué)習(xí)SVM相比,改進(jìn)型深度學(xué)習(xí)方法準(zhǔn)確率大幅提升6.6%,較單一深度學(xué)習(xí)方法提高了近1.5%。
【圖文】：

第46卷處理，同時(shí)通過word2vec將每個(gè)詞詞向量求出，如圖4所示，每個(gè)句子最多可分解為n個(gè)詞，同時(shí)每個(gè)詞轉(zhuǎn)為k維的詞向量，即一句評(píng)論文本將成為n×k的二維矩陣。本文將詞向量k設(shè)為200維，同時(shí)為控制矩陣的稀疏度，將文本評(píng)價(jià)語料控制在最多見的64字以內(nèi)，即64×200的矩陣表示一句評(píng)論文本，少于64字的評(píng)價(jià)語料進(jìn)行補(bǔ)零處理。圖4相似詞的詞向量矢量距離處理示意圖除圖5本身語料轉(zhuǎn)化的詞向量矩陣“｛X1，X2，X3，…，Xi｝”外，本文對(duì)每句評(píng)價(jià)語料進(jìn)行了擴(kuò)充詞典的正負(fù)情感詞匹配，從而量化評(píng)價(jià)語料的情感正負(fù)極性，并將量化后的情感極性值正向（positive）方面+1，負(fù)向（negative）方面-1，為防止因訓(xùn)練不足導(dǎo)致的分類精度降低，將情感極值向量進(jìn)行拉普拉斯平滑，如下式所示。Pλ(X(j)=ajk|Y=Cn)=i=1MIx(j)i=ajk啜yi=Cn)+λi=1MIyi=Cn)+SjλPλ(Y=Cn)=i=1MIyi=cn)+λM+Nλ其中ajk代表第j個(gè)特征的第k個(gè)選擇，Sj代表第j個(gè)特征的個(gè)數(shù)，而N代表種類的個(gè)數(shù)。圖5模型輸入向量的處理示意圖最終形成一個(gè)如圖5所示的全新輸入向量：K=(P啜W啜N)其中P為正向情感量化向量，Pa為第a個(gè)詞的12維｛Pa1，Pa2，…，Pa12｝正向（positive）情感量化向量，且增加至Xa1之前，其中aij為一句評(píng)價(jià)語料的第i個(gè)詞的情感量化值；W為通過Skip-gram得到的詞向量，N為負(fù)向情感量化向量，Na為第a個(gè)詞的

對(duì)于文本的分流處理采用了字段長度和情感極性兩個(gè)重要判斷依據(jù)，字段長度主要體現(xiàn)一段評(píng)論的前后文關(guān)聯(lián)性，同時(shí)在每句評(píng)價(jià)語料中情感的豐富程度，，情感極性量化可對(duì)其進(jìn)行判斷。通過多次實(shí)驗(yàn)測(cè)試，本文在分流器規(guī)則設(shè)計(jì)方面，選擇將30字以上且情感豐富度高的語料輸入RNN網(wǎng)絡(luò)，其余則輸入CNN網(wǎng)絡(luò)進(jìn)行處理。3.3.2構(gòu)建CNN網(wǎng)絡(luò)模型本文采用的多層卷積神經(jīng)網(wǎng)絡(luò)模型（CNN），整個(gè)模型由3層卷積層、1層池化層、1層Flatten層、1層全連接層及Softmax層構(gòu)成，結(jié)構(gòu)如圖6所示。圖6CNN模型結(jié)構(gòu)結(jié)構(gòu)圖卷積核ω∈Rh×k是對(duì)窗口大小為h的k維詞向量進(jìn)行卷積操作，輸出特征為Xi=f(ω′Ci:i+h-1+b)其中Xi為特征，Ci:i+h-1為輸入的文本向量，為激活函數(shù)，較常見的如sigmod函數(shù)、tanh函數(shù)、ReLu函數(shù)等，本文考慮了整流線性函數(shù)對(duì)基于梯度方法的優(yōu)化屬性與訓(xùn)練收斂速度，故采用了ReLu函數(shù)作為激活函數(shù)：f(x)=max(0啜x)本文每層卷積層由128個(gè)3×3的卷積核來學(xué)習(xí)并提取文本情感特征。卷積核ω對(duì)輸入向量K=（P，W，N）進(jìn)行卷積，即可得到一張?zhí)卣鲌D：X=[x1啜x2啜

本文編號(hào)：2652315