隨著社交網(wǎng)絡的發(fā)展,用戶針對不同事物發(fā)表了大量帶有情感傾向的內(nèi)容,將這些文本數(shù)據(jù)進行情感分析并統(tǒng)計,對社會和商業(yè)等領域都有重要價值。早期的情感分析研究較為粗粒度化,認為一個文檔或句子只包含了一種情感。方面級情感分析(Aspect-based Sentiment Analysis,ABSA)可以針對屬性詞所屬的方面進行細粒度的情感分析,近年來受到學術界廣泛關注。準確提取文本深層語義特征,挖掘單詞間隱式關系,是提高方面級情感分析準確性的重要途徑。本論文提出了增強注意力機制的方面級情感分析模型,重點從三個方面進行探索和研究,具體內(nèi)容如下:1.提出基于注意力機制的屬性詞提取方法。針對現(xiàn)有模型難以有效挖掘單詞間的隱式關系,導致非屬性詞實體提取,以及屬性詞提取不完整、不全面等問題。本論文在已有模型上,通過深度模型提取文本語義特征,并引入歷史感知的注意力機制,充分利用歷史時間步信息,從而建模屬性詞之間的隱式關系,提高屬性詞提取效果。2.提出基于BERT和改進注意力機制的實體方面級情感分析方法。利用BERT語言模型作為嵌入層,針對文本中存在的多個屬性詞和多個方面表達了不同情感,現(xiàn)有模型不能有效的將屬性...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 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 傳統(tǒng)情感分析
        1.2.2 基于方面的情感分析
        1.2.3 ABSA現(xiàn)有問題和不足
    1.3 論文研究內(nèi)容
    1.4 論文的組織結構
    1.5 本章小節(jié)
第二章 相關理論
    2.1 語言模型
        2.1.1 統(tǒng)計語言模型
        2.1.2 神經(jīng)概率語言模型
    2.2 深度神經(jīng)網(wǎng)絡模型
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡
        2.2.2 長短時記憶網(wǎng)絡
    2.3 注意力機制
    2.4 序列標注
    2.5 本章小結
第三章 基于注意力機制的屬性詞提取模型
    3.1 引言及研究動機
    3.2 特征提取模型BiLSTM-Attention
    3.3 聯(lián)合多層耦合注意力和歷史感知注意力機制的模型研究
        3.3.1 基于CMLA的屬性詞提取
        3.3.2 歷史感知注意力THA
        3.3.3 CMLA+THA聯(lián)合模型框架
    3.4 實驗結果和分析
        3.4.1 實驗環(huán)境及數(shù)據(jù)集
        3.4.2 評價指標
        3.4.3 實驗參數(shù)和結果分析
    3.5 本章小結
第四章 基于BERT和改進層次注意力機制的情感分析模型
    4.1 引言及研究動機
    4.2 基于BERT的情感分析模型研究
        4.2.1 BERT結構解析
        4.2.2 基于BERT的情感分析框架
    4.3 基于改進層次注意力機制的情感分析模型
        4.3.1 實體級自注意力機制
        4.3.2 句子級注意力
        4.3.3 方面特征向量細化
    4.4 基于BERT和改進層次注意力的情感分析模型框架
    4.5 實驗結果和分析
        4.5.1 實驗數(shù)據(jù)
        4.5.2 評價指標
        4.5.3 實驗參數(shù)和結果分析
    4.6 本章小結
第五章 面向餐飲業(yè)的線上評論分析系統(tǒng)
    5.1 系統(tǒng)總體流程設計
    5.2 功能模塊實現(xiàn)
        5.2.1 數(shù)據(jù)爬取模塊
        5.2.2 數(shù)據(jù)預處理
        5.2.3 模型訓練與預測模塊
        5.2.4 統(tǒng)計分析模塊
    5.3 系統(tǒng)展示
    5.4 本章小節(jié)
第六章 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
攻讀碩士學位期間取得的成果



本文編號：3748421