互聯(lián)網(wǎng)技術(shù)一日千里,推動社交網(wǎng)絡(luò)等互聯(lián)網(wǎng)領(lǐng)域快速的發(fā)展,特別重要的是日趨完善的移動端互聯(lián)網(wǎng)技術(shù),使得用戶可以方便地在網(wǎng)上發(fā)表自己的觀點以及發(fā)布自己身邊有趣的事情,并且這些大都是文本結(jié)構(gòu)的信息,對文本信息進(jìn)行情感分析可以幫助企業(yè)等組織了解用戶的喜好,調(diào)整發(fā)展的方向以適應(yīng)市場。本文研究內(nèi)容針對如何提高文本情感分析的分類效果,從文檔級文本情感分析和方面級文本情感分析進(jìn)行研究,主要內(nèi)容如下:一方面,文檔級文本情感分析,構(gòu)建混合神經(jīng)網(wǎng)絡(luò)層-利用基于注意力機制的膠囊網(wǎng)絡(luò)（Capsule Network,CapNets）模型和雙向門循環(huán)單元（Bi-directional Gate Recurrent Unit,BiGRU）模型充分提取局部特征信息和全局特征信息,自適應(yīng)地感知上下文信息并提取影響文本情感分析的特征信息,將模型學(xué)習(xí)的特征信息進(jìn)行融合。接著,兩種不同詞向量（Word Vector）表示的文本信息分別經(jīng)過混合神經(jīng)網(wǎng)絡(luò)層,并將結(jié)果進(jìn)一步融合,用Softmax對融合結(jié)果進(jìn)行分類。本模型與基準(zhǔn)模型比較分析,模型的運行結(jié)果說明提出的模型具有可行性。另一方面,方面級文本情感分析,考慮方面項位置信息的影... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?１?ＣＢＯＷ模型架構(gòu)??Ｆｉｇ．?２．１?ＣＢＯＷ?Ｍｏｄｅｌ?Ａｒｃｈｉｔｅｃｔｕｒｅ??－１３?－??

?基于特征融合的文本情感分析???多個單詞的上下文ＣＢＯＷ模型如圖２．２所示。??§?＇?Ｉｎｐｕｔ?ｌａｙｅｒ??：??°?＼＼??：ｖｖｖｗＶＶ??ｏｊ?＼??〇ｉ?＼?ｌｌｉｄｃｌｐｎ?ｌａｙｅｒ?＊ａｙｃｒ??ｆ？??？＾－一〇??ｔ?？－、，筒?？??Ｘ３ｋ?〇?Ｏ??：Ｚ，、、＃?：??：?Ｋ－ｄ呻??－Ｗ＾／?？??ｆ?／?’??２Ｋ?Ｃｘ?＾－ｄｉｍ??圖２．?２多個單詞上下文的ＣＢＯＷ模型??Ｆｉｇ．?２．２?ＣＢＯＷ?Ｍｏｄｅｌ?ｏｆ?Ｍｕｌｔｉｐｌｅ?Ｗｏｒｄ?Ｃｏｎｔｅｘｔｓ??輸入層：由ｗ；領(lǐng)域半徑ｒ內(nèi)的文本單詞｛；ｑ，；ｃ２，…，ｘｅ｝組成，單詞是用Ｏｎｅ－Ｈｏｔ編碼??表示輸入，Ｃ為大小，７為詞匯表的詞匯數(shù)。??隱藏層：ｉＶ維的向量，輸入向量利用ＦＸ／Ｖ維的權(quán)重矩陣Ｗ計算隱藏層。隱藏層的輸??出計算／Ｉ是輸入向量的加權(quán)平均。??ｈ丄妒．（［ｃ?ｘ?）??Ｃ?（“１?＂?（２．６）??輸出層：輸出單詞ｙ，同樣是用Ｏｎｅ－Ｈｏｔ編碼方式表示，利用一個ｉＶｘＫ維的權(quán)重矩??陣ＶＴ計算輸出層。輸出層每個節(jié)點輸入ｕ；，其中是輸出矩陣Ｍ／＇的第／列。??ｗ?＝（ｖ＇?）?－ｈ??Ｊ?Ｖ?（２．７）??，?、?ｅｘｐ（?ｗ?．）?｜??叉．，廣叫…羚卜￣￣??＞?ｅｘｐ?ｗ?．??＾Ｊ＝ｌ?Ｖ?Ｗ?（２．８）??權(quán)重矩陣Ｗ與１４／用隨機值進(jìn)行初始化，使用反向傳播（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ，?ＢＰ）算法糾??正并更新權(quán)重矩陣。??（２）?Ｓｋｉｐ－ｇｒａｍ?模型??Ｓｋｉｐ－ｇｒａｍ模型與ＣＢＯＷ模型過程是相反的，給定中心詞ｗ；

大連海事大學(xué)碩士學(xué)位論文???ｓｅａｔ?ｙｏｕｒ?ｌｏｖｅ?ｕｐｏｎ?ａ?ｐｒｅｃｉｐｉｃｅ?ｂｅｃａｕｓｅ?ｉｔ?ｉｓ?ｈｉｇｈ．”輸入“ｕｐｏｎ”，窗口大小為?３，則輸出是??｛?“ｓｅａｔ”，?“ｙｏｕｒ”，“ｌｏｖｅ”，“ａ”，“ｐｒｅｃｉｐｉｃｅ”?／‘ｂｅｃａｕｓｅ’’｝，Ｓｋｉｐ－ｇｒａｍ?模型架構(gòu)如圖?２．３?所示。??ＩＩＭＦ？ＵＴ?Ｆ＊ＲＯＪＨＯＴＩ〇Ｍ?ＯＵＴＦ？ＵＸ??我?ｗ（ｌ－２）??Ｗ（ｌ＞?ｉ?＼?＾??Ｖｓ??ＳＫｉｐ＞ｇｒａｍ??圖２．?３?Ｓｋｉｍ－ｇｒａｍ模型架構(gòu)??Ｆｉｇ．?２．３?Ｓｋｉｍ－ｇｒａｍ?Ｍｏｄｅｌ?Ａｒｃｈｉｔｅｃｔｕｒｅ??多個單詞的上下文的Ｓｋｉｐ－ｇｒａｍ模型結(jié)構(gòu)如圖２．４所示。??〇?Ｏｕｔｐｕｔ?ｌａｙｅｒ??／卜??Ｉｎｐｕｔ?ｌａｙｅｒ?／?Ｗ?＾??？５Ｉ?－?，?ｌ－ｌｉｄｄｅｎ?ｌａｙｅｒ／?ｎ??？?＇?＾?＇?？??＊＊?°?ｈ，?ａ?；＜?ｗ＾－Ｋ?°??〇ｌ?－?＾?ＪＶ－ｄｉｍＳ．?＂?＇＇?＇ｘ：?＾?ｌ〇ｊ??ｒ?ａｉｍ?＼ｗ?ＳＳ??＼ｊ－??Ｏ＊?ｆ＾ｄｉｎｎ??圖２．?４多個單詞上下文的Ｓｋｉｍ－ｇｒａｍ模型??Ｆｉｇ．?２．４?Ｓｋｉｍ－ｇｒａｍ?Ｍｏｄｅｌ?ｏｆ?Ｍｕｌｔｉｐｌｅ?Ｗｏｒｄ?Ｃｏｎｔｅｘｔｓ??輸入層：單詞ｗ的Ｏｎｅ－Ｈｏｔ表示＆，??隱藏層：隱藏層的輸出／ｉ利用ｙ?ｘ?ｉｖ維的權(quán)重矩陣ｗ計算隱藏層。??ｈ?＝?ｘＩＷ?＝?＇．：＝ｖｗ！?（２?９）??輸出層：上一層的輸出ｙｄ，利用一個況ＸＫ維的權(quán)重矩陣１４／＇計算輸出層。輸??出層單詞共享權(quán)重，故１＾／＝

【參考文獻(xiàn)】：
期刊論文
[1]基于并行混合神經(jīng)網(wǎng)絡(luò)模型的短文本情感分析[J]. 陳潔,邵志清,張歡歡,費佳慧.  計算機應(yīng)用. 2019(08)
[2]基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)平臺細(xì)粒度情感分析[J]. 李陽輝,謝明,易陽.  計算機應(yīng)用研究. 2017(03)
[3]基于領(lǐng)域情感詞典的中文微博情感分析[J]. 肖江,丁星,何榮杰.  電子設(shè)計工程. 2015(12)
[4]中文微博情感詞典構(gòu)建方法[J]. 周詠梅,陽愛民,林江豪.  山東大學(xué)學(xué)報(工學(xué)版). 2014(03)
[5]基于HowNet的詞匯語義傾向計算[J]. 朱嫣嵐,閔錦,周雅倩,黃萱菁,吳立德.  中文信息學(xué)報. 2006(01)



本文編號：3288953