隨著互聯(lián)網(wǎng)時代的到來,中國的網(wǎng)民數(shù)量每年都呈現(xiàn)快速增長的趨勢,尤其是諸如微博、美團等社會媒體的迅猛發(fā)展,更是給人們的生活帶來了嶄新的一面。用戶可以通過這些新的載體自由地表達意見,而文本在這一過程中發(fā)揮著重要作用。因此,對文本進行情感分析已經(jīng)成為廣大研究人員熱衷的一個方向�，F(xiàn)階段,人們在篇章級和句子級別的粗粒度文本情感分析方面已經(jīng)做了很多研究,但是在面對產(chǎn)品評論這一類似文本時,粗粒度的文本情感分析卻無法獲取到情感所針對的具體對象。因此,本文從細粒度文本情感分析角度出發(fā),以深度森林模型為基礎分析文本的情感傾向性。本文的主要工作有:（1）提取文本特征。本文提取了文本的兩類特征,分別是二元特征和情感語義概率特征。首先,本文以詞典和句法依存分析為基礎,并結合提出的六條規(guī)則提取文本的評價對象-評價詞極性對;然后,對評價對象作聚類處理,以完成二元特征的提取;最后,為了彌補二元特征中存在的不足,本文結合詞典和語義依存分析提取文本的情感語義概率特征,并對各特征作出歸一化處理,以提高分類效率。（2）改進分類模型。首先,本文對深度森林模型級聯(lián)層的表征學習結構作出改進,提高了級聯(lián)森林的表征學習能力,解決了在訓... 

【文章來源】：鄭州大學河南省 211工程院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

級聯(lián)森林結構示意圖

z 代表級聯(lián)森林的層數(shù)，z∈Z。然后，級聯(lián)森林將每一級的輸征向量作為下一級森林的輸入，表示為：xz←(x, Vz-1(x))。以林的分類準確率不再上升，則停止訓練。因此，級聯(lián)森林的應的。掃描窗口類似于卷積神經(jīng)網(wǎng)絡（CNN）中的滑動窗口，目的行掃描采樣，這個結構可以增強級聯(lián)森林對特征的學習效果述為：首先向系統(tǒng)輸入大小為 S 的樣本數(shù)據(jù)，然后通過一個對其進行滑動采樣。如果輸入的樣本數(shù)據(jù)是序列形式，則采采樣，公式（2.6）如下所示：P ( S L) 1入的樣本數(shù)據(jù)呈圖片形式，則采用公式（2.7）進行采樣，公P [( S L) 1] [(S L) 1]處掃描步長為 1，那么經(jīng)過掃描之后會生成 P 個子樣本。以描過程用圖 2.2 表示。

3 基于詞典和依存分析的文本特征提取詞語“差”與后面兩句評論進行了分析，并作了相應關系的標注。因此，系統(tǒng)會繼續(xù)根據(jù)這些關系進行分析，這樣一來無疑會增加時間復雜度。所以，為了提升文本預處理過程的效率，本文將所有無法代表完整語句的標點符號均用“句號”替換。

【參考文獻】：
期刊論文
[1]基于深度森林模型的火焰檢測[J]. 朱曉妤,嚴云洋,劉以安,高尚兵.  計算機工程. 2018(07)
[2]基于SVM的酒店客戶評論情感分析[J]. 石強強,趙應丁,楊紅云.  計算機與現(xiàn)代化. 2017(03)
[3]分段卷積神經(jīng)網(wǎng)絡在文本情感分析中的應用[J]. 杜昌順,黃磊.  計算機工程與科學. 2017(01)
[4]面向商品評論文本的情感分析與挖掘[J]. 李涵昱,錢力,周鵬飛.  情報科學. 2017(01)
[5]細粒度情感分析的酒店評論研究[J]. 李鳴,吳波,宋陽,朱夢堯,徐志廣,張宏俊.  傳感器與微系統(tǒng). 2016(12)
[6]基于SVM的產(chǎn)品評論情感分析系統(tǒng)的設計與實現(xiàn)[J]. 彭德焰,胡欣宇.  物聯(lián)網(wǎng)技術. 2016(11)
[7]警務應用中基于雙向最大匹配法的中文分詞算法實現(xiàn)[J]. 陶偉.  電子技術與軟件工程. 2016(04)
[8]基于情感分析的企業(yè)產(chǎn)品級競爭對手識別研究——以用戶評論為數(shù)據(jù)源[J]. 肖璐,陳果,劉繼云.  圖書情報工作. 2016(01)
[9]深度學習的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[10]基于隨機森林的特征選擇算法[J]. 姚登舉,楊靜,詹曉娟.  吉林大學學報(工學版). 2014(01)

碩士論文
[1]文本相似度算法在自動評分系統(tǒng)中的應用研究[D]. 歐陽經(jīng)綸.湘潭大學 2017
[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]評論文本情感傾向性分析技術研究[D]. 王娜娜.北京交通大學 2017
[4]基于酒店領域情感詞典的分類器研究[D]. 石馨.河北大學 2014
[5]基于集成學習的半監(jiān)督學習算法研究[D]. 王軼初.西安電子科技大學 2011



本文編號：3599639