隨著互聯(lián)網(wǎng)醫(yī)療的發(fā)展,平臺上出現(xiàn)大量的患者留言文本。通過患者留言的文本挖掘,分析出患者的情感信息,對患者和醫(yī)院有重要的意義。本文主要從兩個方面對患者留言文本進行研究,第一,基于深度分層神經(jīng)網(wǎng)絡(luò)的情感極性分類研究,第二,基于LDA模型的情感主題分類研究。主要的創(chuàng)新成果如下:（1）提出了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型和長短期記憶（BLSTM）模型的雙道融合層。傳統(tǒng)融合的方式,將CNN模型和LSTM模型訓(xùn)練出的詞向量進行簡單向量拼接,缺點是模型在多特征信息的句子訓(xùn)練時,分析出的情感結(jié)果常常被非特征方向的信息影響。雙道融合層引入權(quán)重矩陣,使得改進后的LSTM模型在訓(xùn)練時,在CNN模型分類出的特征向量方向的情感信息被放大,而在非特征向量方向的情感信息被削弱。實驗證明,雙道融合層對多特征信息的句子的情感分類更加準(zhǔn)確。（2）提出了深度分層網(wǎng)絡(luò)模型。CNN模型和BLSTM模型在情感極性分類領(lǐng)域擅長的方向不同,CNN模型不善于處理時序信息,卻在短文本的情感極性分類中表現(xiàn)效果好,而BLSTM模型擅長處理時序信息,但是不能處理好短文本的情感極性分類。改進后的模型分為區(qū)域CNN層、BLSTM詞語層兩層輸入,保... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

情感分析研究框架

圖 1.4 基于情感詞典的情感分析I評價情感詞典，中文有知網(wǎng)情感詞典，NTU情感極性詞典等，owNet詞典等[8]。不同的領(lǐng)域情感極性分類會使用不同的詞典，的情感分析對詞典的依賴性比較大，而且，基于詞典分析對于語料的分類效果不理想，所以研究者提出了基于機器學(xué)習(xí)情感于有監(jiān)督學(xué)習(xí)方法習(xí)將訓(xùn)練好的語料以標(biāo)準(zhǔn)模式分類。Pang等人提出并將監(jiān)督學(xué)領(lǐng)域，實驗比較了SVM、樸素貝葉斯和最大熵等算法的分類效果等人提出注意力機制的遞歸神經(jīng)網(wǎng)絡(luò)，這種方法的準(zhǔn)確率比SV[10]。16 年，Tang等人設(shè)計了基于消息級的情感分析深度學(xué)習(xí)系詞向量與手工選擇的表情符號、詞典等相結(jié)合，經(jīng)實驗，這種

圖 1.5 情感分析的研究框架在互聯(lián)網(wǎng)醫(yī)療平臺上爬出患者的留言，對語料進行預(yù)處理，建立留言語料，在語料庫的基礎(chǔ)上，進行對比試驗。1.4 論文組織結(jié)構(gòu)安排本文分為六個章節(jié)，每個章節(jié)的內(nèi)容安排如下：第一章：緒論。首先，分析了患者情感分析的研究背景和研究的意義。其次，總結(jié)了患者情感分析的國內(nèi)外研究的現(xiàn)狀。最后，介紹了本文主要的研究內(nèi)容和總體研究框架。第二章：相關(guān)理論基礎(chǔ)。首先，介紹了文本的預(yù)處理過程和文本深度表示模型，其次，介紹了情感極性分類模型和主題分類模型。最后，介紹了實驗評測的指標(biāo)。后文中的算法均基于本章介紹的模型進行改進，為后文的研究奠定了基礎(chǔ)。第三章：基于深度分層神經(jīng)網(wǎng)絡(luò)的情感極性研究。首先，介紹了情感極性分析實驗的處理過程，然后對比研究了兩個深度神經(jīng)網(wǎng)絡(luò)的特點，最后，基于實驗

【參考文獻】：
期刊論文
[1]基于方差權(quán)重因子選詞的SIF句向量模型[J]. 孫毅,裘杭萍,康睿智.  計算機工程. 2019(09)
[2]基于深度神經(jīng)網(wǎng)絡(luò)的微博文本情感傾向性分析[J]. 鈕成明,詹國華,李志華.  計算機系統(tǒng)應(yīng)用. 2018(11)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的微博輿情情感分類研究[J]. 張海濤,王丹,徐海玲,孫思陽.  情報學(xué)報. 2018(07)
[4]融合注意力機制和CNN-GRNN模型的讀者情緒預(yù)測[J]. 張琦,彭志平.  計算機工程與應(yīng)用. 2018(13)
[5]基于CNN-LSTM的QAR數(shù)據(jù)特征提取與預(yù)測[J]. 張鵬,楊濤,劉亞楠,樊志勇,段照斌.  計算機應(yīng)用研究. 2019(10)
[6]基于RNTN和CBOW的商品評論情感分類[J]. 彭三春,張云華.  計算機工程與設(shè)計. 2018(03)
[7]基于雙重注意力模型的微博情感分析方法[J]. 張仰森,鄭佳,黃改娟,蔣玉茹.  清華大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[8]中文微博情感分析研究與實現(xiàn)[J]. 李勇敢,周學(xué)廣,孫艷,張煥國.  軟件學(xué)報. 2017 (12)
[9]一種用于基于方面情感分析的深度分層網(wǎng)絡(luò)模型[J]. 劉全,梁斌,徐進,周倩.  計算機學(xué)報. 2018(12)
[10]網(wǎng)絡(luò)評論方面級觀點挖掘方法研究綜述[J]. 韓忠明,李夢琪,劉雯,張夢玫,段大高,于重重.  軟件學(xué)報. 2018(02)



本文編號：3277076