隨著Web2.0的快速發(fā)展,用戶通過社交網(wǎng)絡(luò)、博客、在線門戶網(wǎng)站等產(chǎn)生了大量具有情感的文本信息。這些文本信息通常涉及到社會熱點問題、商品服務(wù)、產(chǎn)品評價等多個領(lǐng)域,對這些信息進行分析、歸納和推理,將為市場調(diào)研、產(chǎn)品或服務(wù)評論挖掘、網(wǎng)絡(luò)輿情發(fā)現(xiàn)及預(yù)警等帶來巨大的社會意義及商業(yè)價值。因此,挖掘文本的情感信息,近年來一直是工業(yè)界和學術(shù)界的研究熱點。目前,文本情感分析的方法可以分為基于情感詞典的方法、基于傳統(tǒng)機器學習的方法以及基于深度學習的方法三類。其中,基于情感詞典的方法,針對不同領(lǐng)域需要構(gòu)建和維護情感詞典,成本代價過高;基于傳統(tǒng)機器學習的方法通�；谠~袋模型(Bag of Words,Bo W),導(dǎo)致具有相同單詞組成的不同語義的句子具有相同的向量表示,因此模型不能準確學習文本特征;基于深度學習的方法,可以處理并運用海量的文本數(shù)據(jù),實現(xiàn)全自動地捕捉深層次的語義特征,從而實現(xiàn)端到端的文本情感分析任務(wù)。然而,現(xiàn)有的深度學習模型在中文文本情感分析任務(wù)中基本上都是基于詞的網(wǎng)絡(luò),即將詞作為基本處理單元,該網(wǎng)絡(luò)主要考慮了詞的上下文語境,但忽略了詞的內(nèi)部結(jié)構(gòu)信息,特征提取視角單一,導(dǎo)致模型對文本的特征提取能...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于詞典及規(guī)則方法的研究現(xiàn)狀
        1.2.2 基于傳統(tǒng)機器學習方法的研究現(xiàn)狀
        1.2.3 基于深度學習方法的研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
第2章 文本情感分析技術(shù)研究綜述
    2.1 傳統(tǒng)情感分析技術(shù)
        2.1.1 基于情感詞典及規(guī)則的情感分析方法
        2.1.2 基于傳統(tǒng)機器學習的情感分析方法
        2.1.3 傳統(tǒng)文本情感分析方法存在的問題
    2.2 文本向量化表示
        2.2.1 基于one-hot編碼表示方法
        2.2.2 基于分布表示方法
    2.3 深度學習方法
        2.3.1 人工神經(jīng)網(wǎng)絡(luò)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)及長短期記憶網(wǎng)絡(luò)
        2.3.4 當前基于深度學習的情感分析方法存在的問題
    2.4 本章小結(jié)
第3章 基于雙通道CNN和 BLSTM的文本情感分析模型研究
    3.1 模型結(jié)構(gòu)
        3.1.1 卷積層
        3.1.2 雙向LSTM層
        3.1.3 融合層
    3.2 模型訓練
    3.3 實驗與分析
        3.3.1 實驗環(huán)境
        3.3.2 實驗數(shù)據(jù)集
        3.3.3 實驗數(shù)據(jù)集向量化
        3.3.4 數(shù)據(jù)集的填充和修剪
        3.3.5 超參數(shù)設(shè)置
        3.3.6 評價指標
        3.3.7 實驗結(jié)果及分析
    3.4 本章小結(jié)
第4章 基于注意力機制的雙通道CNN和 BLSTM的文本情感分析模型研究
    4.1 注意力機制
    4.2 結(jié)合注意力機制的雙通道CNN和雙向BLSTM的模型
    4.3 模型訓練
    4.4 實驗結(jié)果與分析
        4.4.1 實驗設(shè)置
        4.4.2 實驗結(jié)果對比及分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 進一步工作展望
參考文獻
攻讀碩士學位期間發(fā)表的學術(shù)論文及科研工作
致謝



本文編號：3850138