伴隨著社交網(wǎng)絡及電子商務的普及而帶來的是越來越多的評價性文本,不同的用戶借此表達個人的情緒,而如何從泛濫的文本中獲得有價值的信息成為研究人員的關(guān)注熱點之一。文本情感分析任務即判斷包括評價性文本在內(nèi)的情感色彩,基于此,使得該任務近年來受到了廣泛的關(guān)注,大量的學者采用不同的分析方法以獲得更高的判斷精度,部分企業(yè)也將文本情感分析任務應用于輿情分析系統(tǒng)作為數(shù)字化戰(zhàn)略之一。因此,解決文本情感分析任務并進一步應用具有很大的價值,本文在此基礎上進行了深入的研究。近年來,深度學習技術(shù)在圖像、文本等領(lǐng)域的應用發(fā)展迅速,利用深度學習來解決文本情感分析任務引起了相關(guān)研究人員的廣泛關(guān)注。然而,以往的許多方法效果一般,不同語境下需要關(guān)注的文本以及上下文之間的交互均沒有得到很好的實現(xiàn),這在一定程度上限制了不同解決方法的有效性。在本文中,我們提出了有效的新方法,以多種注意力網(wǎng)絡為主體架構(gòu),并在此基礎上改進,提出了迭代的多頭注意力網(wǎng)絡,其性能要優(yōu)于現(xiàn)存的基線方法。將訓練好的分析方法應用于輿情系統(tǒng),進一步驗證該方法的廣泛應用性。本文的主要工作和創(chuàng)新點如下:（1）針對當前處理文本級別不夠精細的問題,本文從細粒度的分析角度... 

【文章來源】：山東師范大學山東省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

中國網(wǎng)民規(guī)模和互聯(lián)網(wǎng)普及率

山東師范大學碩士學位論文30Accuracy發(fā)生變化。根據(jù)實驗結(jié)果，我們將學習率設為5e-5。這一變化也反映了IMAN模型對參數(shù)的敏感性，不同的參數(shù)設置可能會對實驗結(jié)果產(chǎn)生很大的影響。另外，我們也修改了dropout等參數(shù)的值，結(jié)果發(fā)生了較大的變化。因此，通過大量實驗來選擇更適合的參數(shù)。圖4-2采用不同學習率時的準確率此外，我們還比較了不同學習率下在Restaurant數(shù)據(jù)集上對應的損失函數(shù)的變化，如圖4-3所示。圖像是根據(jù)PyTorch中的TensorBoard生成的圖像建模的，其中橫軸表示訓練迭代的次數(shù)。由圖4-3可直觀的表明損失函數(shù)值隨著訓練過程的不斷深入而趨于收斂，當學習率為5e-5時，IMAN在三個數(shù)據(jù)集上的表現(xiàn)最好。因此，最終將IMAN模型的學習率設為5e-5。圖4-3采用不同學習率時的損失函數(shù)值

山東師范大學碩士學位論文30Accuracy發(fā)生變化。根據(jù)實驗結(jié)果，我們將學習率設為5e-5。這一變化也反映了IMAN模型對參數(shù)的敏感性，不同的參數(shù)設置可能會對實驗結(jié)果產(chǎn)生很大的影響。另外，我們也修改了dropout等參數(shù)的值，結(jié)果發(fā)生了較大的變化。因此，通過大量實驗來選擇更適合的參數(shù)。圖4-2采用不同學習率時的準確率此外，我們還比較了不同學習率下在Restaurant數(shù)據(jù)集上對應的損失函數(shù)的變化，如圖4-3所示。圖像是根據(jù)PyTorch中的TensorBoard生成的圖像建模的，其中橫軸表示訓練迭代的次數(shù)。由圖4-3可直觀的表明損失函數(shù)值隨著訓練過程的不斷深入而趨于收斂，當學習率為5e-5時，IMAN在三個數(shù)據(jù)集上的表現(xiàn)最好。因此，最終將IMAN模型的學習率設為5e-5。圖4-3采用不同學習率時的損失函數(shù)值

【參考文獻】：
期刊論文
[1]基于二分網(wǎng)絡的網(wǎng)絡用戶評論情感分析[J]. 盧偉聰,徐健.  情報理論與實踐. 2018(02)
[2]基于深度學習神經(jīng)網(wǎng)絡技術(shù)的數(shù)字電視監(jiān)測平臺告警模型的研究[J]. 韋堅,劉愛娟,唐劍文.  有線電視技術(shù). 2017(07)
[3]面向在線評論的比較觀點挖掘研究綜述[J]. 高松,王洪偉,馮罡,王偉.  現(xiàn)代圖書情報技術(shù). 2016(10)
[4]中文微博情感詞典構(gòu)建方法[J]. 周詠梅,陽愛民,林江豪.  山東大學學報(工學版). 2014(03)
[5]文本情感分析[J]. 趙妍妍,秦兵,劉挺.  軟件學報. 2010(08)



本文編號：3430274