截至2018年,我國網(wǎng)絡文學讀者已突破4億人,讀者每天發(fā)布海量小說評論,大量低質量評論充斥著評論區(qū)。而誤導性評論作為低質量評論中的一類,影響讀者的閱讀體驗,需要對它們進行有效的過濾。相較于傳統(tǒng)文本分類問題,誤導性評論過濾是典型的網(wǎng)絡短文本分類問題,高效地對其進行過濾有三個難點:文本長度短,上下文信息量不足;口語化表達帶來的文本不規(guī)范問題;評論情感傾向不平衡性導致的樣本分布不平衡。近些年來,深度學習技術憑借其抽取數(shù)據(jù)特征的優(yōu)勢和強大的問題擬合能力,在文本分類、機器翻譯等諸多自然語言處理領域獲得了巨大成功,同時也為短文本分類問題提供了全新視角。本文目標在于設計一個高效的誤導性評論過濾系統(tǒng),該系統(tǒng)針對誤導性評論的特點,與傳統(tǒng)文本分類系統(tǒng)相比有如下三點改進。(1)提出了基于多種上下文的中文詞向量表示方法。由于網(wǎng)絡小說評論文本的不規(guī)范性,通用詞向量覆蓋率低,只能使用評論語料在相同分詞條件下訓練詞向量。但是,由于短文本上下文信息不夠充足,使用短文本訓練的嵌入式詞向量表征能力不足,鑒于此提出了基于多種上下文的詞向量訓練方法,引入了N-gram特征、漢字特征和評分特征,通過多種上下文信息提高詞向量的表...

【文章頁數(shù)】：78 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 網(wǎng)絡小說誤導性評論特征及誤導性評論過濾問題的難點
    1.3 國內外研究現(xiàn)狀
    1.4 主要研究內容
    1.5 本文的組織結構
第2章 相關技術概述
    2.1 文本表示方法
    2.2 詞的分布式特征表達相關技術
    2.3 基于深度學習的文本過濾相關方法
    2.4 文本過濾評估方法
    2.5 本章小結
第3章 誤導性評論過濾系統(tǒng)設計與實現(xiàn)
    3.1 需求分析
    3.2 系統(tǒng)概要設計
    3.3 系統(tǒng)各模塊的設計與實現(xiàn)
        3.3.1 數(shù)據(jù)預處理模塊
        3.3.2 詞向量訓練模塊
        3.3.3 語料補充模塊
        3.3.4 深度文本分類模型訓練模塊
        3.3.5 評論預測模塊
        3.3.6 過濾監(jiān)控與評分更新模塊
    3.4 本章小結
第4章 基于多種上下文的中文詞向量表示方法
    4.1 基于多種上下文信息的中文詞向量表示方法的提出
    4.2 基于多種上下文的詞向量共現(xiàn)關系
    4.3 multi2vec算法模型
    4.4 實驗
        4.4.1 實驗設計
        4.4.2 實驗設置
        4.4.3 與其他先進詞向量表示模型比較
        4.4.4 消融分析
        4.4.5 實驗結果分析
    4.5 本章小結
第5章 NB-LR語料庫擴充算法
    5.1 NB-LR語料庫擴充算法的提出
    5.2 NB-LR語料庫擴充算法模型
    5.3 實驗
        5.3.1 實驗設計
        5.3.2 實驗設置
        5.3.3 標注耗時比較
        5.3.4 與其他分類器比較
        5.3.5 語料補充對過濾效果的影響
        5.3.6 實驗結果分析
    5.4 本章小節(jié)
第6章 引入評分向量的融合網(wǎng)絡文本過濾算法
    6.1 引入評分向量的融合網(wǎng)絡文本過濾算法的提出
    6.2 引入評分向量的融合網(wǎng)絡文本過濾算法模型
        6.2.1 輸入層
        6.2.2 權重分配層
        6.2.3 文本特征提取層
        6.2.4 Softmax分類器
    6.3 實驗
        6.3.1 實驗設計
        6.3.2 實驗設置
        6.3.3 與其他文本表示模型比較
        6.3.4 消融分析
        6.3.5 實驗結果分析
    6.4 本章小結
第7章 總結與展望
參考文獻
致謝
個人簡歷、在學期間發(fā)表的學術論文與研究成果



本文編號：3899636