隨著社交平臺的日益普及,微博因其文字短小、傳播速度快受到了廣大網(wǎng)友的喜愛,微博文本中蘊含的海量信息也從商業(yè)、政治、娛樂等不同方面帶來了巨大價值,從而引發(fā)了學者們對微博文本的情感分析技術的深入研究。如何在控制成本、保證分類效果的前提下,對微博文本進行高質(zhì)量的情感分析,是一直以來的研究熱點。本文立足于無監(jiān)督學習,將傳統(tǒng)的主題模型與微博文本復雜的各項特征相結(jié)合,提出有效的主題情感模型,從而對微博文本進行情感分析。首先,針對JST（Joint Sentiment/Topic model）模型在中文微博情感分析領域建模時微博特征缺失的問題,在模型中引入了表情符號和用戶性格情緒特征,通過情感先驗的方式引入了表情符號對微博文本情感的影響,并對文本中表情符號的分布進行建模;依據(jù)“情感一致性”理論提出了一種基于時間的用戶性格情緒特征建模方法,將用戶性格情緒特征納入主題模型中,然后在此基礎上提出了基于用戶性格情緒參數(shù)的改進主題情感模型（Joint Sentiment/Topic model based on User Character,UC-JST）,通過實驗驗證了模型的可行性和有效性。然后,針對ASU... 

【文章來源】：武漢理工大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

UC-JST概率圖模型

14圖2-2UC-JST概率圖模型下面詳細闡述UC-JST模型的結(jié)構(gòu)及推導過程。模型中涉及到的符號及含義見表2-1。表2-1UC-JST模型符號及含義符號含義符號含義D微博個數(shù)e表情符號V語料庫詞匯數(shù)w詞語S情感標簽個數(shù)s情感標簽T主題標簽個數(shù)t主題標簽E表情符號庫大小λ性格情緒參數(shù)θ主題的概率分布α分布θ的先驗參數(shù)φ詞語的概率分布β分布φ的先驗參數(shù)π情感的概率分布η分布π的先驗參數(shù)ε表情符號的概率分布ξ分布ε的先驗參數(shù)

32并使用3.2.1節(jié)中介紹的方法對中文語義規(guī)則進行建模。SR-ASUM的概率圖模型如圖3-2所示。圖3-2SR-ASUM概率圖模型下面詳細闡述SR-ASUM模型的結(jié)構(gòu)及推導過程。模型中涉及到的符號及含義見表3-2。表3-2SR-ASUM模型符號及含義符號含義符號含義D微博個數(shù)w詞語M句子個數(shù)s情感標簽V語料庫詞匯數(shù)t主題標簽S情感標簽個數(shù)r句間關系向量T主題標簽個數(shù)γ轉(zhuǎn)發(fā)關系θ主題的概率分布α分布θ的先驗參數(shù)φ詞語的概率分布β分布φ的先驗參數(shù)π情感的概率分布η分布π的先驗參數(shù)SR-ASUM模型定義的文檔生成過程如下：（1）對于每一條微博d，選擇一個情感分布Dirichlet()dπη，其中η是

【參考文獻】：
期刊論文
[1]中文微博情感分析模型SR-CBOW[J]. 劉秋慧,柴玉梅,劉箴.  小型微型計算機系統(tǒng). 2018(08)
[2]結(jié)合情感詞典的主動貝葉斯文本情感分類方法[J]. 張敏,陳鍛生.  華僑大學學報(自然科學版). 2018(04)
[3]基于深度學習的多維特征微博情感分析[J]. 金志剛,胡博宏,張瑞.  中南大學學報(自然科學版). 2018(05)
[4]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.  清華大學學報(自然科學版). 2018(02)
[5]文本情緒分析綜述[J]. 李然,林政,林海倫,王偉平,孟丹.  計算機研究與發(fā)展. 2018(01)
[6]考慮用戶特征的主題情感聯(lián)合模型[J]. 許銀潔,孫春華,劉業(yè)政.  計算機應用. 2018(05)
[7]基于轉(zhuǎn)移變量的圖文融合微博情感分析[J]. 鄧佩,譚長庚.  計算機應用研究. 2018(07)
[8]機器學習與語義規(guī)則融合的微博情感分類方法[J]. 姜杰,夏睿.  北京大學學報(自然科學版). 2017(02)
[9]基于多特征融合的微博主題情感挖掘[J]. 黃發(fā)良,馮時,王大玲,于戈.  計算機學報. 2017(04)
[10]基于LDA的多粒度主題情感混合模型[J]. 歐陽繼紅,劉燕輝,李熙銘,周曉堂.  電子學報. 2015(09)

碩士論文
[1]基于注意力機制和改進型RNN的Web文本情感分析研究[D]. 王治權.蘭州大學 2018
[2]基于主題模型的文本情感分析研究[D]. 郝潔.太原理工大學 2017
[3]基于深度學習的微博評論情感傾向性分析[D]. 胡西祥.哈爾濱工業(yè)大學 2017
[4]基于LDA的情感分類及主題情感變化分析[D]. 胡燕.西南大學 2017
[5]基于改進主題模型的微博短文本情感分析的研究[D]. 黃俊衡.東南大學 2017
[6]表情符號對中文微博文本情感傾向的影響研究[D]. 高陽.遼寧師范大學 2016
[7]微博輿論場中的公民積極情緒體驗研究[D]. 郭慧清.東北師范大學 2015



本文編號：3581323