發(fā)布時間：2021-05-18 02:42

　　隨著時代的發(fā)展,對海量信息的有效和高效處理成為了現(xiàn)代社會必須解決的首要問題。在此種環(huán)境下所催生出的自然語言處理（NLP）技術(shù)就是面向文本信息的一個解決手段。情感分類、評價對象判別是NLP領(lǐng)域研究的熱點。本文致力于實現(xiàn)更高效的能適用于情感分類和評價對象判別任務(wù)的深度學(xué)習(xí)模型,通過對傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型進行相應(yīng)的改進,使得在相應(yīng)的NLP問題上能夠有更好的效果。本文主要包含兩個研究內(nèi)容:結(jié)合decoder結(jié)構(gòu)的LSTM-CNN神經(jīng)網(wǎng)絡(luò)的情感分類模型:作為自然語言處理的一大研究方向的情感分類就是分析和評判一個語句它所包含的情感色彩。常用的這個情感傾向可以是簡單的只有正向情感和負向情感,也可以是具體的多種情感,比如,難過,崩潰、喜悅、驚恐等。情感分類對于社會輿情反應(yīng)以及產(chǎn)品的用戶回饋都具有重大的意義。常見的長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型用于情感分類時,往往需要更長時間的訓(xùn)練,而多層卷積神經(jīng)網(wǎng)絡(luò)（CNN）運用于情感分類時,很難學(xué)習(xí)到文本的上下文信息。本文所提出的模型充分利用多層LSTM-CNN網(wǎng)絡(luò),其中LSTM可以“記住”序列上下文信息,CNN通過卷積核的作用可以很好地學(xué)習(xí)文本的局部信息。該模型... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 情感分析的研究現(xiàn)狀
        1.2.2 細粒度情感分析研究現(xiàn)狀
    1.3 論文研究內(nèi)容與結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)
第2章 相關(guān)知識
    2.1 NLP中常用的神經(jīng)網(wǎng)絡(luò)模型
        2.1.1 長短期記憶模型LSTM
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.3 編碼-解碼(Encoder-Decoder)模型
        2.1.4 注意力(attention )機制
    2.2 主題模型
        2.2.1 LDA(latent dirichlet allocation)
        2.2.2 BTM模(biterm topic model)
    2.3 本章小結(jié)
第3章 結(jié)合decoder結(jié)構(gòu)的LSTM-CNN神經(jīng)網(wǎng)絡(luò)的情感分析
    3.1 聯(lián)合的LSTM-CNN神經(jīng)網(wǎng)絡(luò)
    3.2 Encoder-Decoder結(jié)構(gòu)
    3.3 Advanced LSTM-CNN model
    3.4 模型的目標函數(shù)
    3.5 實驗內(nèi)容
        3.5.1 基于Twitter數(shù)據(jù)集的正負向情感二分類實驗
        3.5.2 基于Twitter數(shù)據(jù)集的positive,negative, neutral情感三分類實驗
    3.6 本章小結(jié)
第4章 基于ABAE模型的弱監(jiān)督評價類別提取
    4.1 Attention機制在CNN中的運用
        4.1.1 普通的CNN模型
        4.1.2 ATT-CNN模型
    4.2 ABAE深度學(xué)習(xí)模型
    4.3 卡方檢驗
    4.4 實驗驗證
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀碩士學(xué)位期間的研究成果


【參考文獻】：
期刊論文
[1]基于特征本體的微博產(chǎn)品評論情感分析[J]. 唐曉波,蘭玉婷.  圖書情報工作. 2016(16)
[2]深度學(xué)習(xí)技術(shù)下的中文微博情感的分析與研究[J]. 劉艷梅.  軟件. 2016(05)
[3]基于情感分析的企業(yè)產(chǎn)品級競爭對手識別研究——以用戶評論為數(shù)據(jù)源[J]. 肖璐,陳果,劉繼云.  圖書情報工作. 2016(01)
[4]產(chǎn)品評論中的隱式屬性抽取研究[J]. 張莉,許鑫.  現(xiàn)代圖書情報技術(shù). 2015(12)
[5]商品隱式評價對象提取的方法研究[J]. 邱云飛,倪學(xué)峰,邵良杉.  計算機工程與應(yīng)用. 2015(19)
[6]面向細粒度意見挖掘的情感本體樹及自動構(gòu)建[J]. 郭沖,王振宇.  中文信息學(xué)報. 2013(05)
[7]中文微博情感分析研究綜述[J]. 周勝臣,瞿文婷,石英子,施詢之,孫韻辰.  計算機應(yīng)用與軟件. 2013(03)

碩士論文
[1]基于產(chǎn)品特征的領(lǐng)域情感本體構(gòu)建及應(yīng)用研究[D]. 聶欣慧.首都師范大學(xué) 2014



本文編號：3192955