隨著互聯網技術的高速發(fā)展,和各類應用軟件在人們日常生活中的滲透,越來越多的用戶習慣在互聯網上發(fā)表對新聞、事件或產品的觀點意見。對這些主觀性非結構化文本進行情感分析,提取和分析文本中的情感傾向,對輿情監(jiān)控、電子商務和信息預測等領域都有著重要作用。因此,對文本進行情感分析在理論和實踐中都有重要的意義。本文主要進行了以下兩個部分的工作:第一,使用TF-IDF加權的n-gram語言模型特征對LDA主題模型進行擴展。在基于詞袋模型的LDA主題模型中,對文本中詞序、上下文等語義信息有所忽略。使用TF-IDF加權的n-gram語言模型特征對主題模型進行擴展,在主題模型中增加部分語義信息,從而提高情感分析的效果。第二,在對LDA主題模型進行擴展的基礎上,基于擴展模型的文本-主題概率分布劃分子樣本集,進行集成學習�？紤]集成學習在提高模型效果和穩(wěn)定性中的優(yōu)勢,結合擴展主題模型中各文本具有不同主題的特性,基于主題進行子訓練集的采樣,為集成學習中的各基分類器提供差異性。采用簡單投票法進行決策融合,得到最終的情感分析結果。通過理論推導和實驗結果分析表明,使用本文提出的基于集成的擴展主題模型方法進行情感分析,能夠... 

【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】：80 頁

【學位級別】：碩士

【部分圖文】：

圖３－２?ｐＬＳＩ主題模型示意圖??

添加了服從Ｄｉｒｉｃｈｌｅｔ先驗分布的假設？］，ＬＤＡ主題模型成為了一個完整的概率生成??模型。??下圖３－３展示了?ＬＤＡ圖模型的示意圖。其中，Ｋ表示主題數目，Ｍ表示文檔數??目，Ａ表示第ｍ篇文檔中的單詞數，ｏｒ和是Ｄｉｒｉｃｈｌｅｔ分布的參數，表示第??ｍ篇文檔中的第ｎ個單詞，ｚ？，？表示第ｍ篇文檔中的第ｎ個單詞的主題，％表示主??題ｋ中詞語的概率分布，九表示第ｍ篇文檔主題的概率分布，同時％和九也都作??為多項式分布的參數，分別用于生成單詞和主題。??〇??？???????ｎ＃歟耍危恚??ｋｇ｜？－Ｋ｜???ｍｇ｜ｌ，Ｍｌ??圖３－３?ＬＤＡ主題模型示意圖??％和６＞？，服從Ｄｉｒｉｃｈｌｅｔ分布，分布函數如式（３．５）所示??Ｄｉｒ｛ｆｉ＼ａ）?＝?——?Ｉｌｆ（３．５）??２０??

訓練較為困難。我們可以通過使用集成學習的方法，在數據集量級較小的情況下，??提高訓練結果的準確性和穩(wěn)定性??集成學習系統(tǒng)模型的基本思想過程如圖４－１所示，即將基分類器以某種方式進??行組合后做出最終的決策結果，集成學習主要包括訓練樣本子集、基分類器模型和??組合輸出策略三部分。圖４－１中?＜?表示選擇的訓練子數據集，是根據原始訓練樣本??以某種方式進行劃分得到的子集，將每個訓練樣本子集式作為輸入來訓練相應的基??分類器，每個基分類器的輸出用某種形式組合，各基分類器結果的權重用ｗ，表示，??最常用的組合輸出方式是非加權投票法或加權投票法。??３７??

【參考文獻】：
期刊論文
[1]情感分類研究進展[J]. 陳龍,管子玉,何金紅,彭進業(yè).  計算機研究與發(fā)展. 2017(06)
[2]利用LDA的領域新興主題探測技術綜述[J]. 范云滿,馬建霞.  現代圖書情報技術. 2012(12)
[3]詞干提取方法及工具的對比分析研究[J]. 吳思竹,錢慶,胡鐵軍,李丹亞,李軍蓮,洪娜.  圖書情報工作. 2012(15)
[4]國內中文自動分詞技術研究綜述[J]. 奉國和,鄭偉.  圖書情報工作. 2011(02)
[5]多分類器選擇集成方法[J]. 郭紅玲,程顯毅.  計算機工程與應用. 2009(13)

碩士論文
[1]面向網絡論壇的動態(tài)主題建模與文本摘要[D]. 任昭春.山東大學 2012



本文編號：3107432