隨著網(wǎng)絡(luò)的發(fā)展,輿情數(shù)據(jù)的發(fā)展趨勢呈現(xiàn)出爆炸式增長。網(wǎng)絡(luò)上充斥著巨量的圖片、語音、文字等各種類型的數(shù)據(jù)信息,這些越來越復(fù)雜的網(wǎng)絡(luò)數(shù)據(jù)相互結(jié)合,構(gòu)成了一個復(fù)雜的數(shù)據(jù)結(jié)構(gòu)來表達(dá)數(shù)據(jù)的信息。在輿情數(shù)據(jù)中,通過單一類型的數(shù)據(jù)（圖片、文本、語音等）越來越難以完整的表達(dá)數(shù)據(jù)信息。近年來,神經(jīng)網(wǎng)絡(luò)在面對各類數(shù)據(jù)信息,通過特有的層次結(jié)構(gòu)將數(shù)據(jù)信息從低層特征空間提取到高層特征空間,在各類數(shù)據(jù)分類及物體識別等相關(guān)應(yīng)用中取得了重大進(jìn)展。神經(jīng)網(wǎng)絡(luò)在各類數(shù)據(jù)和各研究領(lǐng)域中展現(xiàn)出的寬泛適用性,為本文的信息融合提供了有力支持。對于一個包含多種類型數(shù)據(jù)的網(wǎng)絡(luò)輿情信息,本文提出一種新的輿情分類模型,通過神經(jīng)網(wǎng)絡(luò)模型分別去學(xué)習(xí)不同類型信息的數(shù)據(jù)特征,對它們的特征融合后進(jìn)行分類,通過這種方法實現(xiàn)數(shù)據(jù)信息更好地分類。在實驗中,本文分別使用LSTM和CNN神經(jīng)網(wǎng)絡(luò)提取文本和圖像數(shù)據(jù)特征,對二者特征融合后進(jìn)行分類。結(jié)果證明,多種類型的數(shù)據(jù)特征進(jìn)行融合后再分類,可以更好地實現(xiàn)對網(wǎng)絡(luò)輿情數(shù)據(jù)信息的分類,提高了輿情信息分類的準(zhǔn)確性。在前人基礎(chǔ)上,本文提出的改進(jìn)主要有以下三點(diǎn):（1）根據(jù)對不同類型數(shù)據(jù)特性的分析,采用不同的神經(jīng)網(wǎng)絡(luò)模型,... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１神經(jīng)網(wǎng)絡(luò)模型??７??

其中可視層為輸入層，由ｍ個可視節(jié)點(diǎn)組成；隱藏層為特征提取層，由ｎ個隱??藏節(jié)點(diǎn)組成。在可視節(jié)點(diǎn)己知時，可視層中的節(jié)點(diǎn)相互獨(dú)立，隱藏層和可視層中??的節(jié)點(diǎn)完全連接，如圖２－２所示。??ｈｉ?ｈ２?ｈ３?ｈｎ??Ｖ１?Ｖ２?Ｖ３?Ｖｍ－１?Ｖｍ??圖２－２受限玻爾茲曼機(jī)模型??受限玻爾茲曼機(jī)的訓(xùn)練過程如下，對參數(shù)進(jìn)行隨機(jī)初始化后，使用Ｇｉｂｂｓ方??法（Ｇｉｂｂｓ采樣是基于馬爾可夫鏈蒙特卡洛策略的抽樣方法）在可視層和隱藏之間??進(jìn)行采樣。在抽樣過程中，通過條件概率不斷計算隱藏層和可視層中每個節(jié)點(diǎn)的??值，重復(fù)這個過程，直到各層節(jié)點(diǎn)趨于穩(wěn)定。??ＲＢＭ的主要用途有兩種：一是降維，對數(shù)據(jù)進(jìn)行編碼然后用監(jiān)督學(xué)習(xí)方法??實現(xiàn)分類或者回歸方面的應(yīng)用；二是通過訓(xùn)練ＲＢＭ模型獲得層間連接的權(quán)值矩??陣和偏移量，使用ＢＰ神經(jīng)網(wǎng)絡(luò)完成初始化訓(xùn)練。當(dāng)隱藏層層數(shù)增加時，深度玻??爾茲曼機(jī)即在受限玻爾茲曼機(jī)的基礎(chǔ)上增加隱藏層的層數(shù)，深度信念網(wǎng)絡(luò)即在深??度玻爾茲曼機(jī)的基礎(chǔ)上將靠近可視層的部分改用貝葉斯信念網(wǎng)絡(luò)（有向圖模型），??而在距離可視層最遠(yuǎn)的部分改用ＲＢＭ就可以得到

其中可視層為輸入層，由ｍ個可視節(jié)點(diǎn)組成；隱藏層為特征提取層，由ｎ個隱??藏節(jié)點(diǎn)組成。在可視節(jié)點(diǎn)己知時，可視層中的節(jié)點(diǎn)相互獨(dú)立，隱藏層和可視層中??的節(jié)點(diǎn)完全連接，如圖２－２所示。??ｈｉ?ｈ２?ｈ３?ｈｎ??Ｖ１?Ｖ２?Ｖ３?Ｖｍ－１?Ｖｍ??圖２－２受限玻爾茲曼機(jī)模型??受限玻爾茲曼機(jī)的訓(xùn)練過程如下，對參數(shù)進(jìn)行隨機(jī)初始化后，使用Ｇｉｂｂｓ方??法（Ｇｉｂｂｓ采樣是基于馬爾可夫鏈蒙特卡洛策略的抽樣方法）在可視層和隱藏之間??進(jìn)行采樣。在抽樣過程中，通過條件概率不斷計算隱藏層和可視層中每個節(jié)點(diǎn)的??值，重復(fù)這個過程，直到各層節(jié)點(diǎn)趨于穩(wěn)定。??ＲＢＭ的主要用途有兩種：一是降維，對數(shù)據(jù)進(jìn)行編碼然后用監(jiān)督學(xué)習(xí)方法??實現(xiàn)分類或者回歸方面的應(yīng)用；二是通過訓(xùn)練ＲＢＭ模型獲得層間連接的權(quán)值矩??陣和偏移量，使用ＢＰ神經(jīng)網(wǎng)絡(luò)完成初始化訓(xùn)練。當(dāng)隱藏層層數(shù)增加時，深度玻??爾茲曼機(jī)即在受限玻爾茲曼機(jī)的基礎(chǔ)上增加隱藏層的層數(shù)，深度信念網(wǎng)絡(luò)即在深??度玻爾茲曼機(jī)的基礎(chǔ)上將靠近可視層的部分改用貝葉斯信念網(wǎng)絡(luò)（有向圖模型），??而在距離可視層最遠(yuǎn)的部分改用ＲＢＭ就可以得到

【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的微博文本情感傾向性分析[J]. 鈕成明,詹國華,李志華.  計算機(jī)系統(tǒng)應(yīng)用. 2018(11)
[2]基于Word2Vec的中文短文本分類問題研究[J]. 汪靜,羅浪,王德強(qiáng).  計算機(jī)系統(tǒng)應(yīng)用. 2018(05)
[3]第41次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》發(fā)布[J].   中國廣播. 2018(03)
[4]面向分布式數(shù)據(jù)流大數(shù)據(jù)分類的多變量決策樹[J]. 張宇,包研科,邵良杉,劉威.  自動化學(xué)報. 2018(06)
[5]大數(shù)據(jù)相關(guān)分析綜述[J]. 梁吉業(yè),馮晨嬌,宋鵬.  計算機(jī)學(xué)報. 2016(01)
[6]基于SVM和神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型物流需求預(yù)測[J]. 田麗,曹安照,王蒙,周明龍,王靜.  重慶工商大學(xué)學(xué)報(自然科學(xué)版). 2012(09)
[7]一種文本處理中的樸素貝葉斯分類器[J]. 李靜梅,孫麗華,張巧榮,張春生.  哈爾濱工程大學(xué)學(xué)報. 2003(01)
[8]關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J]. 張學(xué)工.  自動化學(xué)報. 2000(01)

博士論文
[1]基于深度學(xué)習(xí)的跨模態(tài)檢索研究[D]. 馮方向.北京郵電大學(xué) 2015
[2]基于隱馬爾科夫模型的語音合成技術(shù)研究[D]. 吳義堅.中國科學(xué)技術(shù)大學(xué) 2006



本文編號：3327197