手機(jī)等智能終端設(shè)備的快速普及給用戶提供了快捷的信息傳播渠道,使得互聯(lián)網(wǎng)信息的產(chǎn)生方式從Web2.0時(shí)代以網(wǎng)站雇員為主轉(zhuǎn)變?yōu)楝F(xiàn)在以用戶為主。得益于信息傳播的便捷性,網(wǎng)絡(luò)購物已成為多數(shù)人生活的一部分。在網(wǎng)購過程中,電商網(wǎng)站的在線評論系統(tǒng)和問答系統(tǒng)為消費(fèi)者提供了信息互動平臺:用戶可以在評論系統(tǒng)上描述自己的購物體驗(yàn),也可以通過在線問答系統(tǒng)向商家或其他用戶咨詢某一款商品的相關(guān)信息。分析并挖掘上述用戶產(chǎn)生的評論中的潛在信息并利用這些信息設(shè)計(jì)智能回復(fù)、即時(shí)推薦等互動功能可以有效提升用戶的體驗(yàn)和購物效率。但上述互動平臺產(chǎn)生的文本數(shù)據(jù)與政府新聞等正式文體不同,這種消費(fèi)者在購物前后所產(chǎn)生的評論文本帶有強(qiáng)烈的個(gè)人主觀情感取向。因此,面向評論的情感分析就成為了評論文本智能理解的基石。其中,面向商品評論的情感極性識別是情感分析的核心問題。深度學(xué)習(xí)方法近年來在文本情感分類問題上表現(xiàn)優(yōu)秀,但缺乏大規(guī)模高質(zhì)量的標(biāo)注數(shù)據(jù)是其瓶頸問題。為解決該問題,本文提出了一種弱監(jiān)督深度學(xué)習(xí)方法,利用用戶評分作為弱標(biāo)注數(shù)據(jù)來預(yù)訓(xùn)練深度模型,再利用少量標(biāo)注數(shù)據(jù)微調(diào)整個(gè)模型的參數(shù)。實(shí)驗(yàn)表明該方法在商品評論數(shù)據(jù)的情感分類任務(wù)上表現(xiàn)優(yōu)秀。在文... 

【文章來源】：西北大學(xué)陜西省 211工程院校

【文章頁數(shù)】：99 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 國內(nèi)外研究現(xiàn)狀
        1.1.1 情感分析
        1.1.2 智能問答
        1.1.3 面向評論的推薦算法
    1.2 本文主要內(nèi)容
第二章 總體框架與關(guān)鍵技術(shù)
    2.1 論文總體框架
    2.2 評論文本的預(yù)處理技術(shù)
    2.3 深度模型中的特征抽取結(jié)構(gòu)
第三章 商品評論的情感極性識別
    3.1 情感語義識別
    3.2 基于弱監(jiān)督深度學(xué)習(xí)的情感分類
    3.3 基于CNN的弱監(jiān)督深度模型
    3.4 基于LSTM的弱監(jiān)督深度模型
    3.5 基于弱標(biāo)注數(shù)據(jù)的預(yù)訓(xùn)練方法
        3.5.1 面向單標(biāo)簽型弱標(biāo)注數(shù)據(jù)的弱監(jiān)督訓(xùn)練方法
        3.5.2 面向多標(biāo)簽型弱標(biāo)注數(shù)據(jù)的弱監(jiān)督訓(xùn)練學(xué)習(xí)方法
    3.6 有監(jiān)督學(xué)習(xí)微調(diào)模型
    3.7 實(shí)驗(yàn)驗(yàn)證
        3.7.1 面向商品評論的情感極性識別方法對比
        3.7.2 弱監(jiān)督訓(xùn)練方法的評估
        3.7.3 WDE-CNN與 WDE-LSTM分類效果對比
        3.7.4 預(yù)訓(xùn)練間隔參數(shù)λ對模型分類性能的影響
    3.8 本章小結(jié)
第四章 面向用戶提問的快速反饋算法
    4.1 商品評論問答
    4.2 多任務(wù)深度學(xué)習(xí)模型
        4.2.1 問題定義
        4.2.2 模型結(jié)構(gòu)
        4.2.3 模型的訓(xùn)練方法
    4.3 實(shí)驗(yàn)驗(yàn)證
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)及其預(yù)處理
        4.3.2 實(shí)驗(yàn)細(xì)節(jié)
        4.3.3 對比方法和評估指標(biāo)
        4.3.4 結(jié)果分析
        4.3.5 預(yù)訓(xùn)練程度分析和正則項(xiàng)效果驗(yàn)證
        4.3.6 調(diào)參實(shí)驗(yàn)
        4.3.7 注意力機(jī)制效果的可視化分析
    4.4 本章小結(jié)
第五章 基于用戶購買傾向分析的推薦系統(tǒng)
    5.1 問題驅(qū)動式推薦
    5.2 問題驅(qū)動的注意力網(wǎng)絡(luò)
        5.2.1 問題定義
        5.2.2 模型結(jié)構(gòu)
        5.2.3 模型的訓(xùn)練策略
    5.3 實(shí)驗(yàn)
        5.3.1 數(shù)據(jù)集和預(yù)處理
        5.3.2 實(shí)驗(yàn)的實(shí)現(xiàn)細(xì)節(jié)
        5.3.3 評價(jià)指標(biāo)
        5.3.4 對比算法簡介和性能對比結(jié)果
        5.3.5 閹割實(shí)驗(yàn)
        5.3.6 調(diào)參實(shí)驗(yàn)
        5.3.7 推薦理由的可視化分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
致謝
攻讀博士學(xué)位期間取得的科研成果
個(gè)人簡介


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[2]面向跨領(lǐng)域情感分類的統(tǒng)一框架[J]. 吳瓊,劉悅,沈華偉,張瑾,許洪波,程學(xué)旗.  計(jì)算機(jī)研究與發(fā)展. 2013(08)
[3]基于依存句法的博文情感傾向分析研究[J]. 馮時(shí),付永陳,陽鋒,王大玲,張一飛.  計(jì)算機(jī)研究與發(fā)展. 2012(11)



本文編號：3020130