隨著網絡視頻媒體的興起,各大視頻網站購買影視劇版權在其平臺上播放,影視劇的播放量直接影響視頻平臺的收入,如何估計影視劇的市場價值成為一個重要的問題。通過對影視劇的用戶評論數據進行情感分析,可以清晰地了解用戶對影視劇的喜好和影響用戶喜好的因素,輔助購片人了解市場情緒。因此本論文設計并實現(xiàn)了用戶評論情感分析系統(tǒng),購片者通過本系統(tǒng)可以查詢影視劇整體的用戶情感,指定劇集的用戶情感和用戶情感趨勢變化等情感信息。本論文以影評的情感分類和情感關鍵詞提取為主要研究內容,具體使用深度學習模型來解決文本情感分析問題。論文主要完成了以下3方面的工作:（1）為了提高情感分類的準確率,本論文探究了深度學習中的注意力機制,循環(huán)神經網絡和卷積神經網絡三者的融合方式,提出了一種融合模型ARC及其變型M_ARC,融合模型能夠在雙向時序的特征上進一步提取n-gram特征。并在公開的情感數據集twitter,yelp和本文構建的影評語料庫上進行情感三分類評估,實驗論證了本文融合方式的有效性。（2）Attention機制可以學習詞在句子中的重要分布,為了提高情感分類的可解釋性,本文利用融合模型ARC中的注... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數】：84 頁

【學位級別】：碩士

【部分圖文】：

圖２－〗ＣＢＯＷ和Ｓｋｉｐ＿ｇｒａｍ模型??

時增加輸入門、輸出門、遺忘門三種門來控制之前信息和當前信息的記憶和遺忘??程度，從而使ＬＳＴＭ網絡具有了長期記憶功能，避免了標準ＲＮＮ中梯度消失的問??題。ＬＳＴＭ單元結構如圖２－３所示，和ＲＮＮ比起來，ＬＳＴＭ隱藏層神經單元更??復雜，多了頂部的記憶細胞狀態(tài)＆和三個控制門。??？?？?？??，個、，?言、，?１??ｒ?＾?＾?、?ｆ?ａ??ｊ?丨丨丨｜丨丨丨＿＿＿＜§＞■——??今??Ａ?Ｉ?ｃ＾ｒｃ＾ｔ?Ａ??本本申年ｉ?＿?＋??、?Ｊ?ｒｊ、奮?．■?ｊ??？?？?？??圖２－３?ＬＳＴＭ單元結構??ＬＳＴＭ中的遺忘門以一定的概率控制是否遺忘上一層的隱藏細胞狀態(tài)。遺忘??門的輸出由序列上一刻的隱藏狀態(tài)Ｚｌｔｊ和此刻的輸入＆決定，具體實現(xiàn)是通過一??個激活函數得到遺忘門的輸出／ｔ。激活函數通常是ｓｉｇｍｏｉｄ函數，由于ｓｉｇｍｏｉｄ的??輸出廣在［０，１］之間，正好代表了遺忘上一層隱藏細胞狀態(tài)的概率。遺忘門的公式??如２－２所示。??Ａ?＝ａ（Ｗｆｈｔ．ｘ?＋?Ｕｆｘｔ?＋?ｂｆ）?（２－２）??輸入門決定什么樣的新信息被存放在細胞狀態(tài)中

加簡化實用的門循環(huán)單元結構，該結構將輸入門和遺忘門進行了合并，也將記憶??單元和輸出單元進行了合并。ＧＲＵ模型中只有更新門和重置門：＾這兩個門，??ＧＲＵ具體結構如圖２－４所示。??／以牛??１?ｆ％??１?Ｉ?Ｏ?１?Ｏ?｜?｜?ｔａｎｈ?｜??ｌ?？?Ｉ?Ｊ??ＯＺＺＺ———／??ＩＫ??圖２－４門循環(huán)單元結構??更新門用于控制前一時刻的狀態(tài)信息被帶入到當前狀態(tài)中的程度，更新門的??值越大說明前一時刻的狀態(tài)信息帶入越多，更新門Ａ的計算如公式２－９。??ｚｔ?＝?ａ（Ｗｚｘｔ?＋?ｔ／ｚ／ｉｔ－ｉ）?（２－９）??重置門用于控制忽略前一時刻的狀態(tài)信息的程度，重置門的值越小說明忽略??得越多，重置門４的計算如公式２－１０。??ｒｔ?＝?ｃｒ（Ｗｒｘｔ?＋?Ｕｒｈｔ＾）?（２－１０）??計算新的記憶內容需要使用重置門儲存過去相關的信息，過程如公式２－１１。??ｈｔ?＝?ｔａｎｈ（Ｗｘｔ?＋?（２－１１）??計算ＧＲＵ單元的輸出／ｉｔ，需要依賴更新門的輸出，更新門以門控的形式決??定了需要從新的記憶內容／ｒｔ流入什么新的信息，需要從前一時序的隱藏層輸出??保留什么信息


本文編號：3074339