隨著互聯(lián)網(wǎng)的迅速發(fā)展,社交網(wǎng)絡(luò)服務(wù)（SNS）呈現(xiàn)爆炸式增長,越來越多的人開始習(xí)慣于通過微博來表達(dá)他們的觀點和情感。對微博平臺上海量的文本進(jìn)行情感分析與挖掘具有巨大的應(yīng)用價值,近年來成為一個新的研究熱點。傳統(tǒng)的文本情感分析方法需要依靠紛繁復(fù)雜的特征工程,且難以適應(yīng)微博文本簡潔、多樣、不斷變化等特點。近年來,深度學(xué)習(xí)技術(shù)在自然語言處理領(lǐng)域取得了越來越廣泛的應(yīng)用,本文利用深度學(xué)習(xí)技術(shù)對現(xiàn)有的微博情感分析模型和方法進(jìn)行優(yōu)化改造,設(shè)計了兩種深度學(xué)習(xí)模型:首先,考慮到微博句子中的每個單詞對句子整體情感表達(dá)的重要程度不同,將注意力機制（Attention Mechanism）運用到基于雙向門控循環(huán)單元（Bi-directional Gated Recurrent Unit,BGRU）的神經(jīng)網(wǎng)絡(luò)中,設(shè)計了一種 BGRU-Attention神經(jīng)網(wǎng)絡(luò)模型。BGRU能夠有效捕獲文本長相關(guān)性特征,注意力機制可以在模型合成高層情感特征時,給予重要單詞更高的權(quán)重,而且有利于提高深度學(xué)習(xí)模型的可解釋性。實驗證明,BGRU-Attention模型在英文微博情感傾向性分析問題上,相較于傳統(tǒng)的基于支持向量機的模型和其它深... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于規(guī)則方法的研究現(xiàn)狀
        1.2.2 基于機器學(xué)習(xí)方法的研究現(xiàn)狀
        1.2.3 基于深度學(xué)習(xí)方法的研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)與理論基礎(chǔ)
    2.1 文本表示相關(guān)技術(shù)
        2.1.1 向量空間模型
        2.1.2 分布式表示
    2.2 深度學(xué)習(xí)相關(guān)技術(shù)
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.4 長短時記憶神經(jīng)網(wǎng)絡(luò)
    2.3 本章小結(jié)
第三章 基于BGRU-ATTENTION的微博情感傾向性分析
    3.1 表情符情感詞典的構(gòu)建
    3.2 FASTTEXT模型
    3.3 GRU神經(jīng)網(wǎng)絡(luò)
    3.4 注意力機制
    3.5 BGRU-ATTENTION模型
        3.5.1 詞向量輸入層
        3.5.2 BGRU層
        3.5.3 Attention層
        3.5.4 情感分類輸出層
    3.6 實驗與分析
        3.6.1 實驗數(shù)據(jù)集
        3.6.2 文本預(yù)處理
        3.6.3 預(yù)訓(xùn)練詞向量
        3.6.4 評價標(biāo)準(zhǔn)
        3.6.5 模型超參數(shù)的設(shè)置
        3.6.6 對比實驗
        3.6.7 結(jié)果與分析
    3.7 本章小結(jié)
第四章 基于BGRU-CNN的層次結(jié)構(gòu)細(xì)粒度微博情感分析
    4.1 BGRU-CNN模型
    4.2 層次結(jié)構(gòu)分類
    4.3 實驗與分析
        4.3.1 實驗數(shù)據(jù)集
        4.3.2 文本預(yù)處理
        4.3.3 預(yù)訓(xùn)練詞向量
        4.3.4 評價標(biāo)準(zhǔn)
        4.3.5 模型超參數(shù)的設(shè)置
        4.3.6 對比實驗
        4.3.7 結(jié)果與分析
    4.4 本章小結(jié)
第五章 微博情感分析系統(tǒng)的設(shè)計與實現(xiàn)
    5.1 總體設(shè)計
    5.2 系統(tǒng)展示
        5.2.1 英文微博情感傾向性分析
        5.2.2 中文微博細(xì)粒度情感分析
    5.3 本章小結(jié)
第六章 總結(jié)和展望
    6.1 工作總結(jié)
    6.2 未來展望
參考文獻(xiàn)
在學(xué)期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于多通道卷積神經(jīng)網(wǎng)絡(luò)的中文微博情感分析[J]. 陳珂,梁斌,柯文德,許波,曾國超.  計算機研究與發(fā)展. 2018(05)
[2]Deep learning for natural language processing:advantages and challenges[J]. Hang Li.  National Science Review. 2018(01)
[3]基于句法信息的微博情緒識別方法研究[J]. 黃磊,李壽山,周國棟.  計算機科學(xué). 2017(02)
[4]用于微博情感分析的一種情感語義增強的深度學(xué)習(xí)模型[J]. 何炎祥,孫松濤,牛菲菲,李飛.  計算機學(xué)報. 2017(04)
[5]深度學(xué)習(xí)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)
[6]中文基礎(chǔ)情感詞詞典構(gòu)建方法研究[J]. 柳位平,朱艷輝,栗春亮,向華政,文志強.  計算機應(yīng)用. 2009(10)



本文編號：3658965