互聯(lián)網的蓬勃發(fā)展促進了社交網絡和電子商務的發(fā)展,致使互聯(lián)網產生了大量關于用戶評論信息的數(shù)據(jù),這些文本數(shù)據(jù)中包含著許多有意義和價值的信息。情感分析任務主要是辨別給定文本的情感極性,從而進一步提取和分析文本中所包含的信息。維度級的情感分類作為情感分類的細化任務,主要目的是從文本中提取特定維度的情感極性,該任務近年來已經取得了良好的研究進展。本文設計出一套多維度用戶評論情感分析系統(tǒng),適用于電商平臺的用戶和商家,幫助其直觀、快速、精準地獲取商品信息并進行決策。本系統(tǒng)的最核心部分為多維度用戶評論情感分析模型,本文通過對維度級情感分析方法的研究,設計出一套準確高效的多維度情感分析模型。綜合考慮了維度級情感分析現(xiàn)有研究的優(yōu)勢和缺陷,維度級情感分類任務的關鍵可歸納為三個因素:維度詞語義信息、維度詞和它們上下文文本間的語義相關性,以及相對于維度詞的上下文詞語的位置信息。因此,針對維度級情感分類,本文提出了一種新的算法——AELA-DLSTMs（基于注意力機制和位置信息的DLSTMs模型,Attention-Enabled and Location-Aware DLSTMs）來進行維度級情感分析。AELA... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

圖２－７標準循環(huán)神經網絡的重復模塊結構示意圖??

２－７所示。??Ｇ??圖２－８?ＬＳＴＭ門結構示意圖??ＬＳＴＭ中提出了一個新的結構叫做記憶細胞（ｍｅｍｏｒｙ?ｃｅｌｌ），每一個時刻細??胞都會有一個對應的狀態(tài)，用來存儲當前時刻的信息。ＬＳＴＭ通過三個門結構（輸??入門，忘記門和輸出門）來保護和控制細胞狀態(tài)。門結構是一種選擇式通過信息??的方法。如圖２－８所示，門結構包含兩部分，神經網絡層ｓｉｇｍｏｉｄ和點乘操作。??Ｓｉｇｍｏｉｄ函數(shù)的輸出范圍是［０，１］，用來描述每個部分有多少信息允許通過。數(shù)值??０代表不許任何信息通過，數(shù)值１表示著允許任意信息通過。從各個神經元中舍??棄的信息量取決于忘記門，輸入門決定細胞狀態(tài)中什么值將會被更新�；诩毎�??狀態(tài)

?（２－１４）??其中代表輸入門，／ｔ表示忘記門，代表輸出門，辦為細胞狀態(tài)的候選值，??ｃｔ為更新后的ｔ時刻的細胞狀態(tài)，心為ｔ時刻隱藏狀態(tài)的值。如圖２－９所示，為上??述所說的ＬＳＴＭ重復模塊的內部結構。??２．３．２．４?門控循環(huán)單兀（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）??上節(jié)介紹了?ＬＳＴＭ，ＧＲＵ作為ＬＳＴＭ的變種，既保持了?ＬＳＴＭ的效果又簡??化了模型的結構，所以ＧＲＵ也得到了廣泛的應用［６（）］。ＧＲＵ利用一個更新門將??ＬＳＴＭ中的輸入門和忘記門組合在一起。同樣的，ＧＲＵ還混合了隱藏狀態(tài)和細??胞狀態(tài)。??ＧＲＵ模型結構如圖２－１０所示，ＧＲＵ包括更新門ｚｔ和重置門＾。更新門的值??的大小決定了前一時刻進入當前時刻的信息量，更新門的值越大，進入當前時刻??的量越大。重置門的值的大小決定了前一狀態(tài)的信息被當前狀態(tài)忽略的程度，重??置門的值越大，表示被忽略得越少。ＧＲＵ計算公式如式（２－１５）到式（２－１９）所??示：??ｒｔ?＝?ａ（Ｗｒ?■?ｘｔ］）?（２－１５）??ｚｔ?＝?ａ（Ｗｚ?■?［ｒｔ?＊?ｈｔ＿！；?ｘｔ］）?（２－１６）??ｈｔ?＝?ｔａｎｈ（Ｗｊ［?■?＋?ｂ〇）?（２－１７）??＝?（１?—?ｚｔ）?＊?ｈｔ＿ｘ?＋?ｚｔ＊ｈｔ?（２－１８）??ｙｔ?＝?ａ（Ｗ０?■?ｈｔ）?（２－１９）??＾?＂ｔ??｝

【參考文獻】：
期刊論文
[1]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.  中文信息學報. 2006(01)



本文編號：3519444