隨著科技的提高和互聯(lián)網(wǎng)技術的發(fā)展,微博等社交媒體已經(jīng)成為中國主要的信息分享平臺之一。微博文本大多帶有強烈的感情色彩,對微博文本展開情感分析研究,一方面有利于有關政府部門進行輿情調(diào)控和企業(yè)進行危機公關,另一方面還有利于用戶快速獲取各種信息。因此,對微博文本展開情感分析研究是具有社會意義和商業(yè)價值的。由于中文微博文本存在多樣性、隱晦性和上下文信息缺失等問題,傳統(tǒng)情感分析模型無法很好地處理微博文本的特征,因此本文圍繞此情況展開研究,主要研究工作可分為以下幾個部分:(1)研究并提出了一種中文微博文本情感分析模型,用于解決傳統(tǒng)情感分析模型語義理解不足和特征提取存在局限性問題。該模型首先在詞嵌入層使用Ro BERTa-wwm-ext模型將文本轉換為動態(tài)詞向量;其次在特征提取層借助Bi LSTM模型對詞嵌入層輸出的詞向量進行深層次的情感特征提取;然后在多頭注意力機制層突出關鍵詞的語義特征和捕獲輸入序列的局部特征;最后在輸出層聯(lián)接提取到的所有情感語義特征完成文本情感極性分類,輸出文本的情感極性類別。(2)對上述提出的情感分析模型進行了一系列實驗。在消融實驗中,驗證了Ro BERTa-wwm-ext模型...

【文章頁數(shù)】：62 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 基于情感詞典的情感分析方法
        1.2.2 基于機器學習的情感分析方法
        1.2.3 基于深度學習的情感分析方法
    1.3 本文研究內(nèi)容
    1.4 本文組織結構
第2章 相關理論及技術
    2.1 文本情感分析理論
    2.2 文本情感分析相關技術
        2.2.1 數(shù)據(jù)清洗
        2.2.2 中文分詞
        2.2.3 去除停用詞
        2.2.4 文本向量表示方法
    2.3 深度學習技術
        2.3.1 卷積神經(jīng)網(wǎng)絡
        2.3.2 長短期記憶網(wǎng)絡
        2.3.3 雙向長短期記憶網(wǎng)絡
    2.4 本章小結
第3章 中文微博文本情感分析模型
    3.1 引言
    3.2 RoBERTa-wwm-ext 預訓練模型
        3.2.1 RoBERTa
        3.2.2 BERT-wwm
    3.3 Multi-Head Attention 機制
    3.4 基于多頭注意力的 RoBERTa-wwm-ext-Bi LSTM 模型構建
        3.4.1 詞嵌入層
        3.4.2 BiLSTM 特征提取層
        3.4.3 多頭注意力機制層
        3.4.4 輸出層
    3.5 本章小結
第4章 實驗設計與分析
    4.1 實驗數(shù)據(jù)來源與處理
    4.2 實驗設置
    4.3 實驗評價指標
    4.4 實驗結果分析
        4.4.1 消融實驗與分析
        4.4.2 對比實驗與分析
        4.4.3 參數(shù)調(diào)優(yōu)實驗與分析
    4.5 本章小結
第5章 品牌話題情感趨勢監(jiān)測系統(tǒng)的設計與實現(xiàn)
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)架構設計
    5.3 系統(tǒng)功能模塊設計與實現(xiàn)
        5.3.1 用戶登錄模塊
        5.3.2 系統(tǒng)管理模塊
        5.3.3 情感分析模塊
        5.3.4 數(shù)據(jù)可視化模塊
    5.4 系統(tǒng)數(shù)據(jù)庫設計
    5.5 本章小結
第6章 總結與展望
    6.1 工作總結
    6.2 未來展望
參考文獻



本文編號：3875105