發(fā)布時(shí)間：2021-06-29 13:07

　　隨著電子商務(wù)的迅速發(fā)展,各個(gè)電子商務(wù)平臺(tái)都積累了海量的消費(fèi)者在線評(píng)論數(shù)據(jù),這些數(shù)據(jù)蘊(yùn)藏著極高的商業(yè)價(jià)值,分析其內(nèi)容對(duì)商家和消費(fèi)者都具有重要意義,尤其是自動(dòng)識(shí)別評(píng)論內(nèi)容的褒貶性對(duì)其進(jìn)行情感分類(lèi)。然而在面對(duì)海量評(píng)論數(shù)據(jù)時(shí),僅僅依靠人工處理已無(wú)法滿足需要,這就使得評(píng)論文本內(nèi)容自動(dòng)分類(lèi)技術(shù)變得十分重要。本研究將現(xiàn)有的文本分類(lèi)技術(shù)運(yùn)用到電子商務(wù)在線評(píng)論文本情感分類(lèi)問(wèn)題中,通過(guò)實(shí)驗(yàn)來(lái)對(duì)比各種分類(lèi)方法在解決該問(wèn)題上的優(yōu)劣性。研究主要做了以下工作:首先利用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)采集真實(shí)的電子商務(wù)網(wǎng)站在線評(píng)論文本數(shù)據(jù)和評(píng)分?jǐn)?shù)據(jù),對(duì)數(shù)據(jù)做預(yù)處理后利用Word2vec工具建立詞向量模型,以及建立針對(duì)電子商務(wù)在線評(píng)論文本分類(lèi)任務(wù)的情感詞典,并選擇合適的特征提取方法進(jìn)行特征提取,然后分別使用基于詞典的分類(lèi)方法,K近鄰、決策樹(shù)、樸素貝葉斯、支持向量機(jī)等基于機(jī)器學(xué)習(xí)的分類(lèi)方法,以及卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶模型等深度學(xué)習(xí)分類(lèi)方法,對(duì)采集的在線客戶評(píng)論文本數(shù)據(jù)進(jìn)行分類(lèi),最后比較各種分類(lèi)方法的準(zhǔn)確率、召回率和F測(cè)度指標(biāo),從而對(duì)比分析各種分類(lèi)方法的優(yōu)缺點(diǎn)。實(shí)驗(yàn)結(jié)果表明,基于情感詞典的方法從各指標(biāo)上都明顯不如其他方法,可見(jiàn)雖然該方法實(shí)... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１論文框架??第一章，緒論

Ｗ（ｔ＋１）?——??Ｗ（ｔ＋２）—??圖２－２?ＣＢＯＷ模型結(jié)構(gòu)示意圖??ＣＢＯＷ的輸入層是由２ｃ個(gè)當(dāng)前詞在語(yǔ)料中的上下文向量構(gòu)成，上下各ｃ個(gè)。??投影層是由對(duì)輸入層向量的算術(shù)求和來(lái)得到，即；ｃｗ＝Ｅ％Ｗ（ｔ?＋?ｃ）?－?ｗ（ｔ），可??見(jiàn)投影層不包含任何參數(shù)。輸出層是以語(yǔ)料中出現(xiàn)過(guò)的詞為葉子結(jié)點(diǎn)，權(quán)值為詞??語(yǔ)在語(yǔ)料中的頻數(shù)，構(gòu)造的一棵霍夫曼樹(shù)。若一共有ｎ個(gè)詞出現(xiàn)在語(yǔ)料中，那么??該霍夫曼樹(shù)就有ｎ個(gè)葉子結(jié)點(diǎn)，ｎ－１個(gè)非葉子結(jié)點(diǎn)，并且每個(gè)非葉子結(jié)點(diǎn)都有一??個(gè)參數(shù)向量０／。由霍夫曼樹(shù)得到的目標(biāo)函數(shù)Ｙ表示由；ｎｖ和參數(shù)向量０／??（ｊ＝ｌ，２，３，…，ｋ，ｋ取決于當(dāng)前詞在樹(shù)中的位置）計(jì)算當(dāng)前詞的概率，再由梯度上??升法優(yōu)化Ｙ，然后更新參數(shù)和當(dāng)前詞上下文２ｃ個(gè)詞的詞向量。??１６??

１??詞語(yǔ)的相似性判斷??圖４－２?Ｗｏｒｄ２ｖｅｃ詞向量模型訓(xùn)練流程圖??本研宂使用Ｐｙｔｈｏｎ２．７編寫(xiě)程序代碼，首先導(dǎo)入原始評(píng)論文本數(shù)據(jù)，對(duì)數(shù)據(jù)??做預(yù)處理，得到分詞后的數(shù)據(jù)，這一步己在第二章完成，其次在程序中導(dǎo)入ｇｅｎｓｉｍ??庫(kù)，設(shè)置模型參數(shù)為：向量維度〗〇〇，訓(xùn)練ｅｐｏｃｈ為５，ｍｉｎ＿ｃｏｕｎｔ等于１?（詞??典詞頻，表示模型在訓(xùn)練詞向量對(duì)詞典做截?cái)鄷r(shí)，少于該參數(shù)次數(shù)的詞會(huì)去掉），??ｗｉｎｄｏｗ?（表示當(dāng)前詞與預(yù)測(cè)詞在一＂句子中的最大距離）等于５，模型采用??ＣＢＯＷ（ＤＢＯＷ），建立初始化參數(shù)的Ｗｏｒｄ２Ｖｅｃ模型。將預(yù)處理后的語(yǔ)料數(shù)據(jù)導(dǎo)??入Ｗ〇ｒｄ２ＶｅＣ模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練之后的詞向量模型，最后詞語(yǔ)相似度??用?ｍｏｄｅｌ．ｓｉｍｉｌａｒｉｔｙ?來(lái)計(jì)算。??３２??

【參考文獻(xiàn)】：
期刊論文
[1]基于詞向量的跨領(lǐng)域中文情感詞典構(gòu)建方法[J]. 馮超,梁循,李亞平,周小平,李曉菲.  數(shù)據(jù)采集與處理. 2017(03)
[2]面向汽車(chē)評(píng)論的細(xì)粒度情感分析方法研究[J]. 陳炳豐,郝志峰,蔡瑞初,溫雯,王麗娟,黃浩,蔡曉鳳.  廣東工業(yè)大學(xué)學(xué)報(bào). 2017(03)
[3]分段卷積神經(jīng)網(wǎng)絡(luò)在文本情感分析中的應(yīng)用[J]. 杜昌順,黃磊.  計(jì)算機(jī)工程與科學(xué). 2017(01)
[4]網(wǎng)絡(luò)用語(yǔ)詞典的構(gòu)建及問(wèn)題分析[J]. 昝紅英,許鴻飛,張坤麗,穗志方.  中文信息學(xué)報(bào). 2016(06)
[5]面向產(chǎn)品特征的中文在線評(píng)論情感分類(lèi):以本體建模為方法[J]. 尹裴,王洪偉.  系統(tǒng)管理學(xué)報(bào). 2016(01)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的微博情感傾向性分析[J]. 劉龍飛,楊亮,張紹武,林鴻飛.  中文信息學(xué)報(bào). 2015(06)
[7]基于極性轉(zhuǎn)移和LSTM遞歸網(wǎng)絡(luò)的情感分析[J]. 梁軍,柴玉梅,原慧斌,高明磊,昝紅英.  中文信息學(xué)報(bào). 2015(05)
[8]基于情感傾向的在線評(píng)論對(duì)購(gòu)買(mǎi)決策的影響[J]. 錢(qián)瑛,楊定華.  商業(yè)研究. 2015(06)
[9]基于極性詞典的中文微博客情感分類(lèi)[J]. 王勇,呂學(xué)強(qiáng),姬連春,肖詩(shī)斌.  計(jì)算機(jī)應(yīng)用與軟件. 2014(01)
[10]微博短文本預(yù)處理及學(xué)習(xí)研究綜述[J]. 王連喜.  圖書(shū)情報(bào)工作. 2013(11)

博士論文
[1]面向微博短文本的情感分析研究[D]. 劉楠.武漢大學(xué) 2013
[2]在線中文評(píng)論情感分類(lèi)問(wèn)題研究[D]. 張紫瓊.哈爾濱工業(yè)大學(xué) 2010
[3]基于Web的評(píng)論文本情感分類(lèi)問(wèn)題研究[D]. 王素格.上海大學(xué) 2008

碩士論文
[1]基于上下文觀點(diǎn)的微博情感傾向分析研究[D]. 劉承運(yùn).山東師范大學(xué) 2017
[2]基于深度神經(jīng)網(wǎng)絡(luò)的微博短文本情感分析研究[D]. 張英.中原工學(xué)院 2017
[3]面向評(píng)論文本的多文檔情感摘要研究[D]. 李憲毅.山東師范大學(xué) 2016
[4]面向汽車(chē)在線評(píng)論的情感分類(lèi)研究與應(yīng)用[D]. 黃鶴.哈爾濱工業(yè)大學(xué) 2013
[5]中文文本傾向性分類(lèi)系統(tǒng)研究[D]. 鄧忠瑩.昆明理工大學(xué) 2009



本文編號(hào)：3256500