情感分析,也稱意見挖掘,是指對一段文本的感情進行分類,并在此基礎上對文義進行歸納和推理的過程,例如對某一電影評論或某一商品評價在感情上如積極、消極或中立等進行分類,以此對電影或商品的受歡迎程度進行分析。研究情感分析,對于個人,企業(yè)甚至是國家來說,都有著非常重要的意義。情感分析是一個有監(jiān)督學習中的分類問題,同時也是一個序列建模的問題。但值得注意的是,目前國內外大部分情感分析方法在英文文本的應用上較為成熟和有效,而對于中文文本分析的相關應用研究相對較少。究其原因主要是中文文本的測評資源比較匱乏且雜亂;同時相較英文而言,中文因分詞的復雜度高因而在處理上存在著巨大的挑戰(zhàn)。因此,本課題將基于注意力機制建立一個針對中文情感分析的有效模型,著重研究中文文本的情感分析。本文通過對中文的情感分析數(shù)據(jù)集進行測試,探索并提出了一種不同于卷積神經網絡或者循環(huán)神經網絡的神經網絡模塊—SAE（自我注意力網絡）。論文將介紹兩種自我注意力的網絡架構,稱為SAE和SAE2。SAE是在SAN的工作上進行開發(fā)的,SAN的目標是創(chuàng)建最簡單的SAN架構,使其可以與基本的循環(huán)神經網絡和卷積神經網絡架構進行比較。SAE2是我們SA... 

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文貢獻
    1.4 本文結構
    1.5 本章小結
第2章 神經網絡基礎
    2.1 前饋神經網絡
    2.2 循環(huán)神經網絡
    2.3 注意力機制
        2.3.1 模型集成應用
        2.3.2 門控應用
        2.3.3 預訓練模型應用
    2.4 卷積神經網絡
    2.5 本章小結
第3章 注意力機制模型
    3.1 自我注意力機制
    3.2 Transformer架構
    3.3 BERT模型
    3.4 Universal Transformer模型
    3.5 Transformer-XL模型
    3.6 本章小結
第4章 自我注意力網絡
    4.1 自我注意力網絡編碼(SAE)
    4.2 拓展的自我注意力網絡編碼(SAE2)
    4.3 本文創(chuàng)新點
    4.4 本章小結
第5章 情感分析
    5.1 構建模塊的比較
        5.1.1 實驗細節(jié)
        5.1.2 結果分析
        5.1.3 模型特征
        5.1.4 討論
    5.2 數(shù)據(jù)集的最新結果
        5.2.1 實驗細節(jié)
        5.2.2 結果與討論
        5.2.3 模型特征
    5.3 本章小結
結論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于深層注意力的LSTM的特定主題情感分析[J]. 胡朝舉,梁寧.  計算機應用研究. 2019(04)
[2]基于雙重注意力模型的微博情感分析方法[J]. 張仰森,鄭佳,黃改娟,蔣玉茹.  清華大學學報(自然科學版). 2018(02)
[3]基于卷積神經網絡和注意力模型的文本情感分析[J]. 馮興杰,張志偉,史金釧.  計算機應用研究. 2018(05)



本文編號：3733364