情感分析通過(guò)建立有效的分析方法,讓計(jì)算機(jī)正確、有效地理解人類(lèi)語(yǔ)言情感傾向。隨著中國(guó)經(jīng)濟(jì)的迅速發(fā)展,漢語(yǔ)成為一種新的強(qiáng)勢(shì)語(yǔ)言。中文情感分析成為一個(gè)備受矚目的科學(xué)問(wèn)題。本文利用神經(jīng)網(wǎng)絡(luò)模型融合方法進(jìn)行中文評(píng)論文本情感分析,開(kāi)展了下述研究工作。首先,將圖像分類(lèi)領(lǐng)域的分形卷積神經(jīng)網(wǎng)絡(luò)模型（Fractalnet）應(yīng)用于中文情感分析,得到一種基于分形卷積神經(jīng)網(wǎng)絡(luò)的情感分析模型。本文在微博評(píng)論、酒店評(píng)論進(jìn)行調(diào)整列寬值實(shí)驗(yàn)。結(jié)果顯示,基于分形卷積神經(jīng)網(wǎng)絡(luò)的情感分析模型當(dāng)列寬為3時(shí),準(zhǔn)確率、F1值超過(guò)列寬值為2、4時(shí)對(duì)應(yīng)的實(shí)驗(yàn)指標(biāo)。其次,將分形卷積神經(jīng)網(wǎng)絡(luò)與TextCnn進(jìn)行模型融合,設(shè)計(jì)了一種融合不同模型卷積層的Text_Fractalnet情感分析模型。通過(guò)與TextCnn、Fractalnet,vDcnn模型進(jìn)行實(shí)驗(yàn)對(duì)比,結(jié)果顯示Text_Fractalnet模型的準(zhǔn)確率、F1值均超過(guò)對(duì)比模型。最后,在Text_Fractalnet模型融合層引入“融合率”參數(shù),調(diào)整TextCnn和Fractalent支路的特征向量比重,提高了Text

【文章來(lái)源】：湖南師范大學(xué)湖南省 211工程院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究意義、研究背景與現(xiàn)狀分析
    1.2 本文研究?jī)?nèi)容
    1.3 本文組織結(jié)構(gòu)
第二章 情感分析相關(guān)技術(shù)與實(shí)驗(yàn)要素
    2.1 基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的情感分析
    2.2 基于深度學(xué)習(xí)的情感分析
    2.3 實(shí)驗(yàn)要素
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)
        2.3.2 實(shí)驗(yàn)環(huán)境
        2.3.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
    2.4 本章小結(jié)
第三章 基于分形卷積神經(jīng)網(wǎng)絡(luò)的情感分析模型
    3.1 文本預(yù)處理
    3.2 詞向量層
    3.3 分形卷積神經(jīng)網(wǎng)絡(luò)層
    3.4 標(biāo)簽推斷層
    3.5 詞向量維度對(duì)比實(shí)驗(yàn)
        3.5.1 實(shí)驗(yàn)參數(shù)設(shè)置
        3.5.2 實(shí)驗(yàn)結(jié)果分析
    3.6 列寬值對(duì)比實(shí)驗(yàn)
        3.6.1 實(shí)驗(yàn)參數(shù)設(shè)置
        3.6.2 實(shí)驗(yàn)結(jié)果分析
    3.7 本章小結(jié)
Fractalnet情感分析模型">第四章 基于融合思想的Text_Fractalnet情感分析模型
    4.1 基于TextCnn與Fractalnet網(wǎng)絡(luò)特征融合的情感分析模型
Fractalnet的情感分析模型對(duì)比實(shí)驗(yàn)">    4.2 基于Text_Fractalnet的情感分析模型對(duì)比實(shí)驗(yàn)
        4.2.1 實(shí)驗(yàn)參數(shù)設(shè)置
        4.2.2 實(shí)驗(yàn)結(jié)果分析
Fractalnet情感分析模型">    4.3 引入融合率的Text_Fractalnet情感分析模型
Fractalnet模型對(duì)比實(shí)驗(yàn)">    4.4 引入融合率的Text_Fractalnet模型對(duì)比實(shí)驗(yàn)
        4.4.1 實(shí)驗(yàn)參數(shù)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度情感分析方法[J]. 李慧,柴亞青.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2019(01)
[2]基于全卷積神經(jīng)網(wǎng)絡(luò)的空間植物圖像快速識(shí)別[J]. 樊帥,王鑫,閻鎮(zhèn).  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(11)
[3]基于CNN和BiLSTM網(wǎng)絡(luò)特征融合的文本情感分析[J]. 李洋,董紅斌.  計(jì)算機(jī)應(yīng)用. 2018(11)
[4]基于詞注意力卷積神經(jīng)網(wǎng)絡(luò)模型的情感分析研究[J]. 王盛玉,曾碧卿,商齊,韓旭麗.  中文信息學(xué)報(bào). 2018(09)
[5]基于多通道卷積神經(jīng)網(wǎng)絡(luò)的中文微博情感分析[J]. 陳珂,梁斌,柯文德,許波,曾國(guó)超.  計(jì)算機(jī)研究與發(fā)展. 2018(05)
[6]基于卷積記憶神經(jīng)網(wǎng)絡(luò)的微博短文本情感分析[J]. 鄭嘯,王義真,袁志祥,秦鋒.  電子測(cè)量與儀器學(xué)報(bào). 2018(03)
[7]基于詞向量的電影評(píng)論情感分析方法[J]. 殷復(fù)蓮,潘幸藝,柴劍平.  現(xiàn)代電影技術(shù). 2017(08)
[8]基于情感詞典的文本情感傾向分析及可視化[J]. 賈若雨.  現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版). 2017(09)
[9]基于深度表示學(xué)習(xí)和高斯過(guò)程遷移學(xué)習(xí)的情感分析方法[J]. 吳冬茵,桂林,陳釗,徐睿峰.  中文信息學(xué)報(bào). 2017(01)
[10]基于機(jī)器學(xué)習(xí)的宋詞風(fēng)格識(shí)別[J]. 趙建明,李春暉,姚念民.  計(jì)算機(jī)工程與應(yīng)用. 2018(01)

碩士論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)短文本情感傾向性分析[D]. 左穎.西南交通大學(xué) 2018
[2]基于LSTM模型的文本情感分析技術(shù)的研究[D]. 趙曉偉.華北電力大學(xué) 2018



本文編號(hào)：3034867