隨著互聯(lián)網(wǎng)中各類社交媒體的興起,識(shí)別微博中用戶的觀點(diǎn)傾向性成為社交媒體輿情分析的主要任務(wù)之一,也逐漸成為熱點(diǎn)事件檢測的基礎(chǔ),以及社交媒體領(lǐng)域的研究熱點(diǎn)。同時(shí),微博觀點(diǎn)檢測在政治、經(jīng)濟(jì)、社會(huì)安全等方面也具有廣泛的應(yīng)用價(jià)值。通常,表達(dá)用戶觀點(diǎn)的微博文本具有簡短、噪音多、主題涉及面廣并且不顯示表達(dá)主題等特點(diǎn),這使得觀點(diǎn)傾向性檢測比情感檢測更具有挑戰(zhàn)性,正因?yàn)槿绱?到目前為止,微博觀點(diǎn)檢測仍是自然語言處理領(lǐng)域一項(xiàng)富有挑戰(zhàn)性的研究內(nèi)容,受到越來越多研究者的關(guān)注。本文基于神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)微博觀點(diǎn)檢測,主要研究內(nèi)容包括:1.本文研究了卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)及其在觀點(diǎn)檢測中的作用。2.設(shè)計(jì)實(shí)驗(yàn)研究了基于卷積神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)傾向性檢測方法的特點(diǎn),分析了卷積神經(jīng)網(wǎng)絡(luò)的特征提取功能,驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)提取有利于觀點(diǎn)檢測的詞匯信息,去除無關(guān)噪音信息的能力,為動(dòng)態(tài)主題詞的提取和設(shè)計(jì)奠定了基礎(chǔ)。3.本文研究了基于遞歸神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)檢測方法的特點(diǎn),比較了不同的網(wǎng)絡(luò)結(jié)構(gòu),比較了兩種不同的注意力機(jī)制方法,并將Word-by-Word注意力機(jī)制用于觀點(diǎn)檢測。4.針對目前微博觀點(diǎn)檢測中主題寬泛的問題,本文提出了... 

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 論文的章節(jié)安排的創(chuàng)新點(diǎn)
        1.4.1 論文的章節(jié)安排
        1.4.2 本文的創(chuàng)新點(diǎn)
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)檢測方法研究
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)檢測方法設(shè)計(jì)
    2.3 實(shí)驗(yàn)過程和實(shí)驗(yàn)結(jié)果分析
        2.3.1 數(shù)據(jù)預(yù)處理
        2.3.2 實(shí)驗(yàn)結(jié)果及分析
    2.4 本章小結(jié)
第三章 基于遞歸神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)檢測方法研究
    3.1 遞歸神經(jīng)網(wǎng)絡(luò)的特點(diǎn)分析
    3.2 基于遞歸神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)檢測方法設(shè)計(jì)
    3.3 注意力機(jī)制的設(shè)計(jì)
        3.3.1 Global Attention
        3.3.2 Word-by-Word Attention
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集介紹
        3.4.2 實(shí)驗(yàn)設(shè)計(jì)
        3.4.3 評價(jià)標(biāo)準(zhǔn)
        3.4.4 訓(xùn)練細(xì)節(jié)和超參數(shù)
        3.4.5 實(shí)驗(yàn)結(jié)果與分析
        3.4.6 參數(shù)調(diào)整過程
    3.5 本章小結(jié)
第四章 基于動(dòng)態(tài)主題詞的觀點(diǎn)檢測方法研究
    4.1 基于動(dòng)態(tài)主題詞提取方法研究
        4.1.1 基于卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)主題詞提取方法設(shè)計(jì)
        4.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)上下文表示的動(dòng)態(tài)主題詞提取方法設(shè)計(jì)
    4.2 基于動(dòng)態(tài)主題詞的觀點(diǎn)檢測方法
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)
        4.2.2 注意力機(jī)制的設(shè)計(jì)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)準(zhǔn)備
        4.3.2 實(shí)驗(yàn)結(jié)果及分析
        4.3.3 可視化分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 不足之處及展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于SVM的中文微博觀點(diǎn)傾向性識(shí)別[J]. 丁晟春,吳靚嬋媛,李紅梅.  情報(bào)學(xué)報(bào). 2016 (12)
[2]中文網(wǎng)絡(luò)評論觀點(diǎn)詞匯語義褒貶傾向性判斷[J]. 李華,儲(chǔ)荷蘭,高旻.  計(jì)算機(jī)應(yīng)用. 2012(11)
[3]微博文本處理研究綜述[J]. 張劍峰,夏云慶,姚建民.  中文信息學(xué)報(bào). 2012(04)

博士論文
[1]面向中文微博的觀點(diǎn)挖掘與傾向性分析研究[D]. 劉全超.北京理工大學(xué) 2015



本文編號(hào)：3648174