隨著互聯(lián)網(wǎng)的發(fā)展,電子商務(wù)迅速興起,很多消費者選擇線上購物并且針對所購買的產(chǎn)品質(zhì)量及購物體驗發(fā)表自己想法和建議。這些網(wǎng)購平臺的產(chǎn)品評論中往往蘊(yùn)含著大量有用的信息。對于消費者而言,可以為購物者提供參考意見,間接影響著消費者的購買決策;對于商家來說,這些產(chǎn)品評論有助于對產(chǎn)品質(zhì)量,客服服務(wù)等等進(jìn)一步完善;同時網(wǎng)購平臺也可以根據(jù)這些信息對商家進(jìn)一步的管理。因此,對網(wǎng)購平臺的產(chǎn)品評論進(jìn)行情感分析具有一定的現(xiàn)實意義。近年來,文本情感分析受到了越來越多人的關(guān)注和研究,現(xiàn)有的研究中均取得了一定的研究成果。本文在前人研究的基礎(chǔ)上,提出了一些新的研究思路,具體研究工作如下:第一,在中文分詞問題上,本文基于隱馬爾科夫模型進(jìn)行中文分詞,然后利用Word2ve方法來提取文本特征生成詞向量,最后結(jié)合文本分類中常用的機(jī)器學(xué)習(xí)算法即支持向量機(jī)(SVM),K近鄰分類(KNN),樸素貝葉斯(NB)和深度學(xué)習(xí)中的長短期記憶網(wǎng)絡(luò)(LSTM)進(jìn)行分類,通過準(zhǔn)確率,F1,ROC曲線和AUC對模型性能進(jìn)行評價。根據(jù)Python實驗結(jié)果得出結(jié)論:LSTM模型的分類性能明顯優(yōu)于其他三種機(jī)器學(xué)習(xí)的分類算法,但所需訓(xùn)練時間也最多;SVM和K...

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖 2-1 RNN 示意圖

圖2-1RNN示意圖在圖2-1中，A為神經(jīng)網(wǎng)絡(luò)模塊，tX為一輸入，th為其對應(yīng)的輸出。為了簡易理解RNN，將其展開如圖2-2.

圖2-2展開的RNN從圖2-2可以看出，RNN和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于每一層的遞歸都

圖2-2展開的RNN從圖2-2可以看出，RNN和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于每一層的遞歸都將上一層的遞歸輸入到下一層，不斷地重復(fù)。RNN在自然語言處理(NLP)、語音別、圖像方面等領(lǐng)域得到了廣泛的應(yīng)用。LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)的變種，在文本感分類中展示了該網(wǎng)絡(luò)的優(yōu)越....

圖 2-3 LSTM 內(nèi)部結(jié)構(gòu)圖

等相關(guān)領(lǐng)域展示了其優(yōu)越性。LSTM在進(jìn)行情感分析時，將每條文本語句看成一個序列，每個詞語視為序列節(jié)點，其結(jié)構(gòu)比RNN更復(fù)雜，LSTM內(nèi)部結(jié)構(gòu)如圖2-3所示。圖2-3LSTM內(nèi)部結(jié)構(gòu)圖為了便于理解和推導(dǎo)，參考簡圖2-4。LSTM核心思想的關(guān)鍵是細(xì)胞狀態(tài)，細(xì)胞的....

圖3-5訓(xùn)練語料涉及領(lǐng)域

數(shù)據(jù)來源實驗部分使用了通過網(wǎng)絡(luò)獲取的21105條網(wǎng)購平臺商，積極的網(wǎng)購平臺商品評論10677條，消極的網(wǎng)購平臺商、酒店、計算機(jī)、牛奶、手機(jī)、熱水器六個領(lǐng)域，如圖

本文編號：4043386