近年來,隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展與廣泛應(yīng)用,電商網(wǎng)站、微博、新聞網(wǎng)站等逐漸成為人們生活中不可缺少的一部分,這些網(wǎng)站通常有著海量的在線用戶評(píng)論,這些由用戶撰寫的評(píng)論蘊(yùn)含著巨大的價(jià)值,已經(jīng)成為消費(fèi)者和相關(guān)企業(yè)的重要信息來源。由于在線評(píng)論具有信息量大、非結(jié)構(gòu)化的特點(diǎn),文本挖掘技術(shù)被用于在線評(píng)論的分析。情感分析（Sentiment Analysis）是一種分析在線評(píng)論情感觀點(diǎn)的文本挖掘方法,主要進(jìn)行兩個(gè)任務(wù):情感極性分類,分析文本情感觀點(diǎn)的情感極性,包括正、負(fù)、中性;方面識(shí)別,識(shí)別情感觀點(diǎn)所談及的具體方面類別,可以是特定實(shí)體的任何屬性或特征。然而,大多數(shù)傳統(tǒng)的情感分析方法更多地關(guān)注文本中的情感詞以及與之相關(guān)聯(lián)的名詞等,很少考慮句子其他部分的影響�；诖�,本文試圖從這一角度出發(fā)找到一種切實(shí)可行的方法來提高性能。本文對(duì)現(xiàn)有的方法進(jìn)行了并行組合使用,組合方法不只關(guān)注明顯的情感詞和名詞等,還關(guān)注句子的其他部分。無論是在情感極性分類還是在方面識(shí)別任務(wù)中,都驗(yàn)證了所使用的組合方法可以有效地提高性能。研究在兩個(gè)不同層級(jí)上展開。首先,在句子層級(jí)的情感分析研究中,本文基于情感分析問題的特點(diǎn),對(duì)顯式、隱式情感意見... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文研究框架

電子科技大學(xué)碩士學(xué)位論文20虛線上的點(diǎn)，因?yàn)樗鼈兪菍?duì)w@S有直接貢獻(xiàn)的文檔向量。對(duì)測(cè)試實(shí)例的分類只需確定它落在超平面的哪一側(cè)。圖3-5支持向量機(jī)支持向量機(jī)這一算法具有許多優(yōu)點(diǎn)，尤其是在特征通常比較多的文本分類問題中。在高維度空間中表現(xiàn)良好，當(dāng)樣本數(shù)小于特征維數(shù)時(shí)依然有效，而且這一算法在決策函數(shù)中使用的是樣本點(diǎn)的子集，因此它也具有存儲(chǔ)效率。3.2.3.3邏輯回歸邏輯回歸（LogisticRegression,LR）盡管其名稱中帶有“回歸”，但這一算法實(shí)際上是用于分類而不是回歸的線性模型，由于這一算法的簡(jiǎn)單高效，在實(shí)際問題中得到了廣泛的應(yīng)用，邏輯回歸模型為最大熵模型在二分類時(shí)的特例，也就是說，把邏輯回歸引入到多分類問題時(shí)等價(jià)于最大熵模型。邏輯回歸算法由于其使用的便利性，在情感分析中也經(jīng)常被使用[44,48]。這一算法的思想是通過輸入已知的自變量輸出一個(gè)概率值來預(yù)測(cè)離散型因變量的值。邏輯回歸的核心思想是建立在線性回歸的基礎(chǔ)上的：線性回歸是以訓(xùn)練數(shù)據(jù)擬合一條直線，并利用這條直線來預(yù)測(cè)新的輸入；邏輯回歸是要找到一個(gè)合適的假設(shè)函數(shù)作為分類函數(shù)，在此基礎(chǔ)上輸入訓(xùn)練數(shù)據(jù)得到初步的預(yù)測(cè)輸出結(jié)果，得到這一結(jié)果后使用損失函數(shù)將訓(xùn)練樣本的預(yù)測(cè)輸出與實(shí)際類別的偏差表示出來，然后通過最小化這一損失函數(shù)來獲得最優(yōu)參數(shù)。因此，首先需要確定分類函數(shù)，邏輯回歸的分類函數(shù)必須具備接受所有的輸入然后得到結(jié)果的能力，輸出0到1之間的某個(gè)值。符合此要求的有Sigmoid函數(shù)：

電子科技大學(xué)碩士學(xué)位論文24話中兩個(gè)詞之間的具體句法關(guān)系。利用依存句法描述一句話的優(yōu)點(diǎn)是不需要理解詞匯本身的含義，而是通過它所承載的語法關(guān)系來表示詞匯，其數(shù)量遠(yuǎn)遠(yuǎn)小于詞匯的數(shù)量。這樣一來，大部分的句子都可以用這個(gè)框架來表示，同時(shí)，我們又能總結(jié)出這句話大概講了些什么。首先，句子中的核心動(dòng)詞是支配其他成分的中心成分，它本身不受支配，這樣的詞作為句子的根節(jié)點(diǎn)，在依存關(guān)系中被記為“root”，當(dāng)然，在非正式的不完整的句子中可能不存在動(dòng)詞，此時(shí)形容詞或名詞也可能成為根節(jié)點(diǎn)。其次，依賴于根節(jié)點(diǎn)，其它成分間也存在依存關(guān)系。以句子“Servicewasalsoverygood”為例，其句法依存關(guān)系如圖3-6。圖中箭頭方向由支配詞指向從屬詞，也就是父節(jié)點(diǎn)指向子節(jié)點(diǎn)。箭頭下的小寫字母代表依存關(guān)系，單詞下的大寫字母代表該詞的詞性。在這一句話中“was”為本句的root。通過依存句法分析的方法，我們可以提取出句子中形如“goodservice”這樣的短語。圖3-6依存句法分析現(xiàn)有的基于依存句法的方法的思想是利用依存句法分析提取文本的主干，再使用其他的分類方法對(duì)其分類。而用此類方法提取到的文本主干大多包含明顯的情感詞與情感對(duì)象，文本中不包含明顯情感詞的部分往往被忽略掉，但這些被忽略的部分也可能表達(dá)情感。所以，從提高對(duì)文本預(yù)料利用率的角度出發(fā)，本文的方法考慮了其他部分的影響：使用句法依存關(guān)系對(duì)評(píng)論句子中的短語進(jìn)行提取，并在此基礎(chǔ)上拆分句子，提取句子中可能表達(dá)意見的部分來應(yīng)用我們訓(xùn)練好的監(jiān)督分類模型判別意見類別。在本文中，我們使用了spacy工具來進(jìn)行依存句法的分析。表3-2給出了依存句法分析中部分關(guān)系的標(biāo)簽及其具體意義，這些標(biāo)注的關(guān)系會(huì)在第五章的實(shí)驗(yàn)中被用到。


本文編號(hào)：3110116