隨著互聯(lián)網(wǎng)的飛速發(fā)展,用戶(hù)的評(píng)論文本信息呈噴井式增長(zhǎng),在這互聯(lián)網(wǎng)大數(shù)據(jù)時(shí)代中,這些關(guān)于用戶(hù)評(píng)論的文本數(shù)據(jù)中包含著許多有價(jià)值的信息。本文研究涉及文本數(shù)據(jù)的情感極性分析,該方向的研究近年來(lái)已經(jīng)取得了很好的研究進(jìn)展,越來(lái)越展示了廣闊的應(yīng)用前景。本文主要研究用戶(hù)評(píng)論情感分析模型,適用于餐廳領(lǐng)域的用戶(hù)和商家,可以精準(zhǔn)直觀的獲取用戶(hù)對(duì)餐飲的消費(fèi)行為喜好。實(shí)驗(yàn)的主要內(nèi)容是提出基于BiGRU-AE情感分析模型,這是一種雙向的GRU學(xué)習(xí)訓(xùn)練方式,通過(guò)注意力機(jī)制的方式將方面詞向量與其加權(quán)融合得出情感分析結(jié)果,同時(shí)還綜合考慮了Word2Vec和BERT兩種語(yǔ)言模型的預(yù)訓(xùn)練過(guò)程,使用字向量、詞向量、字詞融合向量三種不同的數(shù)據(jù)輸入方式,分別對(duì)比不同輸入方式的優(yōu)勢(shì)和缺陷。通過(guò)對(duì)比實(shí)驗(yàn),驗(yàn)證該模型是能夠提高文本表達(dá)的準(zhǔn)確率,可以實(shí)現(xiàn)考慮文本數(shù)據(jù)的語(yǔ)義特征及長(zhǎng)期的依賴(lài)關(guān)系。本文具有如下創(chuàng)新點(diǎn):首先,提出了 BIGRU-AE情感分析模型,增強(qiáng)對(duì)文本上下文的情感分析的學(xué)習(xí)能力;其次,對(duì)GCAE模型和SynATT模型做了改進(jìn);此外,在數(shù)據(jù)預(yù)處理過(guò)程中提出了字詞融合模型作為數(shù)據(jù)輸入。在用戶(hù)評(píng)論數(shù)據(jù)情感分析模型的基本思路和實(shí)驗(yàn)... 

【文章來(lái)源】：杭州師范大學(xué)浙江省

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 方面級(jí)情感分析
        1.2.2 字詞向量表示
    1.3 論文內(nèi)容和結(jié)構(gòu)
    1.4 研究工作創(chuàng)新點(diǎn)
2 相關(guān)理論與技術(shù)基礎(chǔ)
    2.1 數(shù)據(jù)預(yù)處理相關(guān)技術(shù)
        2.1.1 停用詞處理
        2.1.2 繁體化簡(jiǎn)處理
        2.1.3 分詞處理
    2.2 詞向量模型
        2.2.1 離散表示的詞向量模型
        2.2.2 分布式表示的詞向量模型
    2.3 神經(jīng)網(wǎng)絡(luò)模型
        2.3.1 長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)
        2.3.2 門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.4 注意力機(jī)制
    2.5 本章小結(jié)
3 預(yù)處理過(guò)程
    3.1 方面級(jí)特征提取
    3.2 字詞向量化模型
        3.2.1 字詞融合向量模型
        3.2.2 字詞融合向量實(shí)驗(yàn)結(jié)果對(duì)比
    3.3 語(yǔ)言模型算法
        3.3.1 Word2Vec語(yǔ)言模型
        3.3.2 BERT語(yǔ)言模型
    3.4 實(shí)驗(yàn)結(jié)果分析與討論
        3.4.1 評(píng)價(jià)指標(biāo)
        3.4.2 實(shí)驗(yàn)數(shù)據(jù)集介紹
        3.4.3 語(yǔ)言模型實(shí)驗(yàn)結(jié)果對(duì)比
    3.5 本章小結(jié)
4 方面級(jí)情感分析算法模型研究
    4.1 研究動(dòng)機(jī)
    4.2 情感分析模型算法
        4.2.1 GCAE模型
        4.2.2 SynATT模型
        4.2.3 LSTM-AE模型
    4.3 模型改進(jìn)與實(shí)驗(yàn)
        4.3.1 GCAE模型改進(jìn)
        4.3.2 SynATT模型改進(jìn)
    4.4 BiGRU-AE模型構(gòu)建
    4.5 實(shí)驗(yàn)結(jié)果分析與討論
    4.6 本章小結(jié)
5 實(shí)驗(yàn)系統(tǒng)的設(shè)計(jì)與驗(yàn)證
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)開(kāi)發(fā)框架
    5.3 系統(tǒng)技術(shù)分析
        5.3.1 獲取的數(shù)據(jù)內(nèi)容
        5.3.2 數(shù)據(jù)預(yù)處理
        5.3.3 用戶(hù)評(píng)論數(shù)據(jù)分析
        5.3.4 數(shù)據(jù)可視化展示
    5.4 實(shí)驗(yàn)系統(tǒng)架構(gòu)設(shè)計(jì)
    5.5 實(shí)驗(yàn)系統(tǒng)流程設(shè)計(jì)
    5.6 實(shí)驗(yàn)系統(tǒng)數(shù)據(jù)庫(kù)設(shè)計(jì)
    5.7 實(shí)驗(yàn)系統(tǒng)界面設(shè)計(jì)與實(shí)現(xiàn)
        5.7.1 個(gè)體消費(fèi)行為分析趨向
        5.7.2 餐飲市場(chǎng)消費(fèi)情況分析
    5.8 本章小結(jié)
6 總結(jié)和展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
作者簡(jiǎn)介
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Study of Sentiment Classification for Chinese Microblog Based on Recurrent Neural Network[J]. ZHANG Yangsen,JIANG Yuru,TONG Yixuan.  Chinese Journal of Electronics. 2016(04)
[2]Minimal Gated Unit for Recurrent Neural Networks[J]. Guo-Bing Zhou,Jianxin Wu,Chen-Lin Zhang,Zhi-Hua Zhou.  International Journal of Automation and Computing. 2016(03)
[3]W-POS語(yǔ)言模型及其選擇與匹配算法[J]. 邱云飛,劉世興,魏海超,邵良杉.  計(jì)算機(jī)應(yīng)用. 2015(08)



本文編號(hào)：3118787