發(fā)布時間：2022-07-14 13:55

　　隨著“互聯(lián)網(wǎng)+教育”的迅速發(fā)展,慕課平臺也得到了前所未有的關(guān)注,越來越多的用戶通過慕課平臺進(jìn)行課程學(xué)習(xí),并在課程評論區(qū)留下帶有主觀情感色彩的評論,這些課程評論數(shù)據(jù)包含學(xué)習(xí)者對課程和慕課平臺的態(tài)度、評價等信息。對這些課程評論數(shù)據(jù)進(jìn)行有效地分析、處理可以讓學(xué)習(xí)者和慕課平臺管理者獲取到一些有價值的信息。本文以慕課平臺在線課程評論為切入點(diǎn),對其進(jìn)行情感極性分類和潛在主題挖掘與分析研究,分析和挖掘的結(jié)果不僅有助于學(xué)習(xí)者判斷和分析待選課程的質(zhì)量,而且還有助于慕課平臺的建設(shè)與改進(jìn)。本文以中國大學(xué)慕課平臺為例,通過Python網(wǎng)絡(luò)爬蟲技術(shù)爬取出在線課程學(xué)習(xí)者在評論區(qū)的評論,然后分別采取基于深度學(xué)習(xí)和基于LDA主題模型的方法對學(xué)習(xí)者評論進(jìn)行情感分析研究。具體的研究工作主要包括以下兩個部分:第一,提出一種基于注意力機(jī)制的多通道卷積神經(jīng)網(wǎng)絡(luò)和雙向門控循環(huán)網(wǎng)絡(luò)（MC-AttCNN-AttBiGRU）方法對慕課課程評論進(jìn)行情感極性分類。由于傳統(tǒng)的CNN模型在文本局部特征提取方面表現(xiàn)優(yōu)異,但是會忽略詞語之間的上下文語義,不能有效提取到文本的上下文語義特征,因此本文結(jié)合雙向GRU模型來提取文本的上下文語義特征,較好... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 情感分析研究現(xiàn)狀
        1.2.2 情感極性分類研究現(xiàn)狀
        1.2.3 文本主題情感分析研究現(xiàn)狀
        1.2.4 慕課課程評論情感分析研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
2 文本情感分類相關(guān)技術(shù)介紹
    2.1 文本預(yù)處理
        2.1.1 中文分詞技術(shù)
        2.1.2 停用詞處理
    2.2 詞向量表示方法
        2.2.1 CBOW模型
        2.2.2 Skip-gram模型
    2.3 機(jī)器學(xué)習(xí)分類方法
        2.3.1 樸素貝葉斯算法
        2.3.2 支持向量機(jī)算法
    2.4 深度學(xué)習(xí)分類模型
        2.4.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.4.3 注意力機(jī)制
    2.5 本文實(shí)驗(yàn)?zāi)Ｐ驮u價指標(biāo)
        2.5.1 分類評價指標(biāo)
        2.5.2 主題模型評價指標(biāo)
    2.6 本章小結(jié)
3 基于注意力機(jī)制的多通道CNN與雙向GRU的慕課課程評論情感分類
    3.1 數(shù)據(jù)來源
    3.2 文本數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)清洗
        3.2.2 文本分詞及停用詞去除
    3.3 多通道卷積神經(jīng)網(wǎng)絡(luò)
    3.4 門控循環(huán)網(wǎng)絡(luò)和雙向門控循環(huán)網(wǎng)絡(luò)
    3.5 模型整體框架
    3.6 實(shí)驗(yàn)結(jié)果及分析
        3.6.1 實(shí)驗(yàn)語料集
        3.6.2 模型參數(shù)設(shè)置
        3.6.3 對比實(shí)驗(yàn)
        3.6.4 實(shí)驗(yàn)結(jié)果分析
    3.7 本章小結(jié)
4 結(jié)合CBOW和 LDA主題模型的主題情感分析
    4.1 基于負(fù)采樣的CBOW模型
    4.2 LDA主題模型
        4.2.1 LDA主題模型定義
        4.2.2 Gibbs采樣
    4.3 CBOW-LDA模型整體框架
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 數(shù)據(jù)預(yù)處理和參數(shù)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
在讀期間公開發(fā)表論文(著)及科研情況


【參考文獻(xiàn)】：
期刊論文
[1]基于Self-Attention和Bi-LSTM的中文短文本情感分析[J]. 吳小華,陳莉,魏甜甜,范婷婷.  中文信息學(xué)報. 2019(06)
[2]一種基于支持向量機(jī)和主題模型的評論分析方法[J]. 陳琪,張莉,蔣競,黃新越.  軟件學(xué)報. 2019(05)
[3]融合卷積神經(jīng)網(wǎng)絡(luò)與層次化注意力網(wǎng)絡(luò)的中文文本情感傾向性分析[J]. 程艷,葉子銘,王明文,張強(qiáng),張光河.  中文信息學(xué)報. 2019(01)
[4]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(jì)算機(jī)研究與發(fā)展. 2018(05)
[5]主題模型中的參數(shù)估計(jì)方法綜述[J]. 杜慧,陳云芳,張偉.  計(jì)算機(jī)科學(xué). 2017(S1)
[6]大規(guī)模情感詞典的構(gòu)建及其在情感分類中的應(yīng)用[J]. 趙妍妍,秦兵,石秋慧,劉挺.  中文信息學(xué)報. 2017(02)
[7]基于CRFs和領(lǐng)域本體的中文微博評價對象抽取研究[J]. 丁晟春,吳婧嬋媛,李霄.  中文信息學(xué)報. 2016(04)
[8]基于語義的微博短文本傾向性分析研究[J]. 馬力,劉笑,宮玉龍.  計(jì)算機(jī)應(yīng)用研究. 2016(10)
[9]中文博客多方面話題情感分析研究[J]. 傅向華,劉國,郭巖巖,郭武彪.  中文信息學(xué)報. 2013(01)
[10]成人在線學(xué)業(yè)情緒傾向的測度方法研究[J]. 朱祖林,黃彩虹,李銳,洪婧倞.  中國電化教育. 2011(06)

博士論文
[1]課程評論的情感傾向識別與話題挖掘技術(shù)研究[D]. 劉智.華中師范大學(xué) 2014

碩士論文
[1]面向慕課課程評論的中文文本情感傾向性分析[D]. 葉子銘.江西師范大學(xué) 2019



本文編號：3661254