發(fā)布時(shí)間：2017-08-05 08:00

  本文關(guān)鍵詞：基于對(duì)比散度-受限玻爾茲曼機(jī)深度學(xué)習(xí)的產(chǎn)品評(píng)論情感分析

  更多相關(guān)文章： 深度學(xué)習(xí) 受限玻爾茲曼機(jī) 情感分析 對(duì)比散度 支持向量機(jī)

【摘要】：針對(duì)目前大部分情感分析技術(shù)需要人工標(biāo)注建立情感詞典提取情感特征的問題,提出一種基于對(duì)比散度-受限玻爾茲曼機(jī)(CD-RBM)深度學(xué)習(xí)的產(chǎn)品評(píng)論情感分析方法。該方法在對(duì)產(chǎn)品評(píng)論時(shí)進(jìn)行數(shù)據(jù)預(yù)處理并利用詞袋模型產(chǎn)生產(chǎn)品評(píng)論的向量表示,然后通過CD-RBM提取產(chǎn)品評(píng)論的情感特征,最后結(jié)合支持向量機(jī)(SVM)將提取出來的情感特征進(jìn)行文本情感分類。CD-RBM無需人工標(biāo)注情感詞典,即可獲得情感特征,且可以提高特征的情感語義關(guān)聯(lián)性;同時(shí),SVM可以保證產(chǎn)品評(píng)論情感分類的準(zhǔn)確度。通過實(shí)驗(yàn)確定了RBM最優(yōu)訓(xùn)練周期為10,在此訓(xùn)練周期下對(duì)RBM、SVM、PCA+SVM,以及RBM+SVM方法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明,RBM特征提取和SVM分類結(jié)合方法能夠獲得最好的準(zhǔn)確率和F值,并獲得較好的召回率。
【作者單位】： 中南大學(xué)信息科學(xué)與工程學(xué)院;中南大學(xué)軟件學(xué)院;
【關(guān)鍵詞】： 深度學(xué)習(xí) 受限玻爾茲曼機(jī) 情感分析 對(duì)比散度 支持向量機(jī)
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61403423) 湖南省科技計(jì)劃項(xiàng)目(2014FJ3157) 自主系統(tǒng)與網(wǎng)絡(luò)控制教育部重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目(2013A11)~~
【分類號(hào)】：TP18;TP391.1
【正文快照】： 0引言隨著淘寶、京東、卓越、當(dāng)當(dāng)?shù)荣徫锞W(wǎng)站的流行,越來越多的人開始網(wǎng)上購物,網(wǎng)上的評(píng)論信息也越來越多。網(wǎng)購者往往會(huì)留下評(píng)論來對(duì)所購買的商品表達(dá)自己的情感,評(píng)論信息會(huì)成為其他潛在消費(fèi)者以及商家的一個(gè)重要參考依據(jù)。然而,面對(duì)如此巨大的無結(jié)構(gòu)評(píng)論信息,客戶、商家無法

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 劉來福，唐志宇，，匡錦瑜;向量玻爾茲曼機(jī)[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);1996年04期

2 秦勝君;盧志平;;基于限制玻爾茲曼機(jī)的無極性標(biāo)注情感分類研究[J];科學(xué)技術(shù)與工程;2013年35期

3 ;[J];;年期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 李娟;基于RBM的小分子活性及選擇性研究[D];蘭州大學(xué);2015年

2 葉睿;基于深度學(xué)習(xí)的人臉檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 張衛(wèi)東;深度信念網(wǎng)絡(luò)及其在手寫字體識(shí)別中的應(yīng)用[D];成都理工大學(xué);2015年

4 王海麟;通過信息幾何方法挖掘玻爾茲曼機(jī)的不變性[D];天津大學(xué);2014年

5 仝少敏;基于受限玻爾茲曼機(jī)的面部運(yùn)動(dòng)識(shí)別方法研究[D];哈爾濱工業(yè)大學(xué);2014年

6 李平;監(jiān)督概率主題模型研究[D];安徽工業(yè)大學(xué);2014年

本文編號(hào)：623803