發(fā)布時(shí)間：2020-05-08 05:02

【摘要】：電子商務(wù)平臺(tái)上商品評(píng)論文本呈現(xiàn)爆炸性增長(zhǎng),利用自然語(yǔ)言處理和機(jī)器學(xué)習(xí)等技術(shù)自動(dòng)、高效地對(duì)電商平臺(tái)的文本進(jìn)行情感分析具有十分重要的意義。目前主流的情感分析方法包括基于規(guī)則的方法、基于機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法。隨著大數(shù)據(jù)技術(shù)的發(fā)展以及語(yǔ)言形式的多樣化,深度學(xué)習(xí)已經(jīng)成為自然語(yǔ)言處理領(lǐng)域的研究熱點(diǎn),并在情感分析領(lǐng)域取得重大突破,因此基于深度學(xué)習(xí)的情感分析方法被深入研究。主要研究?jī)?nèi)容如下:1.針對(duì)現(xiàn)有跨領(lǐng)域情感分類(lèi)方法中文本表示特征忽略了重要單詞的情感信息,且在遷移過(guò)程中存在負(fù)遷移的問(wèn)題,提出一種基于注意力機(jī)制的卷積-雙向長(zhǎng)短期記憶(AC-BiLSTM)模型的知識(shí)遷移方法。首先,利用低維連續(xù)的詞向量對(duì)文本進(jìn)行向量化表示;其次,采用卷積操作獲取局部上下文特征之后,通過(guò)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)充分考慮特征之間的長(zhǎng)期依賴(lài)關(guān)系;然后,通過(guò)引入注意力機(jī)制考慮不同詞匯對(duì)文本的貢獻(xiàn)程度,同時(shí)為了避免遷移過(guò)程中出現(xiàn)負(fù)遷移現(xiàn)象,在目標(biāo)函數(shù)中引入正則項(xiàng)約束;最后,將在源領(lǐng)域產(chǎn)品評(píng)論訓(xùn)練得到的模型參數(shù)遷移到目標(biāo)領(lǐng)域產(chǎn)品評(píng)論中,并在少量目標(biāo)領(lǐng)域有標(biāo)注數(shù)據(jù)上進(jìn)行微調(diào)。實(shí)驗(yàn)結(jié)果表明,AC-BiLSTM模型可以有效地提高跨領(lǐng)域情感分類(lèi)性能。2.針對(duì)傳統(tǒng)深度記憶網(wǎng)絡(luò)進(jìn)行方面級(jí)情感分析忽略詞序信息和上下文依賴(lài)信息的問(wèn)題,提出一種基于卷積-雙向最小門(mén)單元記憶網(wǎng)絡(luò)(CNN-BiMGU-MemNet)的方面級(jí)情感分析方法。首先,將上下文用Word2Vec詞向量模型表示,把高維原數(shù)據(jù)映射成低維連續(xù)的詞向量;然后,將詞向量輸入到卷積記憶網(wǎng)絡(luò)和雙向最小門(mén)單元記憶網(wǎng)絡(luò)中分別獲取文本中單詞的順序信息和上下文長(zhǎng)期依賴(lài)信息;最后,結(jié)合卷積記憶網(wǎng)絡(luò)和雙向最小門(mén)單元記憶網(wǎng)絡(luò)的輸出向量表示,并將其輸入到softmax層進(jìn)行情感分類(lèi)。實(shí)驗(yàn)結(jié)果表明,CNN-BiMGU-MemNet模型在準(zhǔn)確率和宏平均F1值上均優(yōu)于其他對(duì)比模型,能夠有效地提高分類(lèi)性能。
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：F713.36;TP391.1;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 廖祥文;謝媛媛;魏晶晶;桂林;程學(xué)旗;陳國(guó)龍;;基于卷積記憶網(wǎng)絡(luò)的視角級(jí)微博情感分類(lèi)[J];模式識(shí)別與人工智能;2018年03期

2 張學(xué)武;劉廣聰;蔡念;;基于Attention-biLSTM的候選答案句抽取[J];福建電腦;2019年04期

3 雷葉;;從餐館評(píng)論中提取方面術(shù)語(yǔ)[J];智能計(jì)算機(jī)與應(yīng)用;2019年03期

4 張俊青;孔芳;;基于序列到序列模型的事件識(shí)別[J];中文信息學(xué)報(bào);2019年06期

5 張家穎;楊文軍;;基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量分類(lèi)識(shí)別研究[J];天津理工大學(xué)學(xué)報(bào);2019年06期

6 李家樂(lè);吳明禮;;基于深度學(xué)習(xí)的問(wèn)題回答技術(shù)研究[J];數(shù)字技術(shù)與應(yīng)用;2019年02期

7 劉蕊;沈海斌;;序列—結(jié)構(gòu)的文本分類(lèi)算法[J];電子技術(shù);2018年02期

8 王翰林;何中市;;基于Faster R-CNN的復(fù)雜背景下的人臉檢測(cè)[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2019年07期

9 孫鑫;王厚峰;;問(wèn)答中的問(wèn)句意圖識(shí)別和約束條件分析[J];中文信息學(xué)報(bào);2017年06期

10 董葉豪;柯宗武;熊旭輝;孫玉霞;夏端峰;;基于Seq2Seq的問(wèn)答系統(tǒng)應(yīng)用研究[J];福建電腦;2018年10期

相關(guān)碩士學(xué)位論文 前5條

1 紀(jì)清晨;基于深度學(xué)習(xí)的行人屬性識(shí)別研究[D];哈爾濱工業(yè)大學(xué);2019年

2 龔琴;基于深度學(xué)習(xí)的電商產(chǎn)品評(píng)論情感分析研究[D];重慶郵電大學(xué);2019年

3 劉沖;基于深度學(xué)習(xí)的流量分類(lèi)系統(tǒng)[D];北京郵電大學(xué);2019年

4 張賞;基于本體的地理知識(shí)問(wèn)答[D];東南大學(xué);2018年

5 王新波;用戶(hù)評(píng)論方面級(jí)情感分析算法研究[D];北京郵電大學(xué);2018年

，

本文編號(hào)：2654171