發(fā)布時(shí)間：2021-07-11 01:43

　　隨著互聯(lián)網(wǎng)醫(yī)療的發(fā)展,平臺(tái)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(duì)患者和醫(yī)院有重要的意義。本文主要從兩個(gè)方面對(duì)患者留言文本進(jìn)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(jìn)行簡單向量拼接,缺點(diǎn)是模型在多特征信息的句子訓(xùn)練時(shí),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(jìn)后的LSTM模型在訓(xùn)練時(shí),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(shí)驗(yàn)證明,雙道融合層對(duì)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(shí)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(shí)序信息,但是不能處理好短文本的情感極性分類。改進(jìn)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(jí)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(píng)價(jià)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(huì)使用不同的詞典，的情感分析對(duì)詞典的依賴性比較大，而且，基于詞典分析對(duì)于語料的分類效果不理想，所以研究者提出了基于機(jī)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(shí)驗(yàn)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(jī)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(jì)了基于消息級(jí)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(hào)、詞典等相結(jié)合，經(jīng)實(shí)驗(yàn)，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(tái)上爬出患者的留言，對(duì)語料進(jìn)行預(yù)處理，建立留言語料，在語料庫的基礎(chǔ)上，進(jìn)行對(duì)比試驗(yàn)。1.4 論文組織結(jié)構(gòu)安排本文分為六個(gè)章節(jié)，每個(gè)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(shí)驗(yàn)評(píng)測的指標(biāo)。后文中的算法均基于本章介紹的模型進(jìn)行改進(jìn)，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(shí)驗(yàn)的處理過程，然后對(duì)比研究了兩個(gè)深度神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，最后，基于實(shí)驗(yàn)

【參考文獻(xiàn)】：
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(jì)算機(jī)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(jì)算機(jī)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(bào)學(xué)報(bào). 2018(07)
[4]融合注意力機(jī)制和CNN-GRNN模型的讀者情緒預(yù)測[J]. 張琦,彭志平.  計(jì)算機(jī)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(jì)算機(jī)應(yīng)用研究. 2019(10)
[6]基于RNTN和CBOW的商品評(píng)論情感分類[J]. 彭三春,張?jiān)迫A.  計(jì)算機(jī)工程與設(shè)計(jì). 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(bào)(自然科學(xué)版). 2018(02)
[8]中文微博情感分析研究與實(shí)現(xiàn)[J]. 李勇敢,周學(xué)廣,孫艷,張煥國.  軟件學(xué)報(bào). 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(jìn),周倩.  計(jì)算機(jī)學(xué)報(bào). 2018(12)
[10]網(wǎng)絡(luò)評(píng)論方面級(jí)觀點(diǎn)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(bào). 2018(02)



本文編號(hào)：3277076