21世紀以來,伴隨著互聯(lián)網(wǎng)技術的發(fā)展,特別是移動互聯(lián)網(wǎng)的飛速發(fā)展,各類網(wǎng)絡應用快速普及,人們越來越受益于網(wǎng)絡所帶來的便捷服務�；ヂ�(lián)網(wǎng)用戶數(shù)爆發(fā)式增長,微信、QQ、推特、微博等社交媒體用戶數(shù)數(shù)以億計。數(shù)據(jù)顯示,新浪微博2018年月活用戶量已經(jīng)達到4.62億人次。人們通過微博、微信朋友圈等發(fā)表自己的心情,以及對于各類事件的觀點、看法等,這些數(shù)據(jù)信息能夠很直觀的反映出社會輿論情況。文本情感分析,即對文本數(shù)據(jù)所表達的情感觀點(喜、怒、哀、樂、積極、消極等)進行發(fā)掘。有效的利用網(wǎng)絡上的大量用戶觀點信息,通過情感分析方法,發(fā)掘用戶對特定問題或產(chǎn)品所表達的主觀情感和所持有的觀點,具有重大的研究意義。本文擬基于深度神經(jīng)網(wǎng)絡技術,通過分析中文的特點,基于卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡模型等提出了有效的中文情感分析方法。具體的,本文主要取得了如下研究成果:1)針對中文網(wǎng)絡評論文本的情感極性分析問題,本文提出了基于詞嵌入的雙向長短時記憶循環(huán)網(wǎng)絡的情感分類模型textEBRNN,該模型首先通過詞嵌入技術訓練大量中文語料,進行中文文本的詞向量表征,然后通過雙向長短時記憶網(wǎng)絡進行進一步情感特征提取,最后通過分類網(wǎng)絡建...

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景
    1.2 課題研究意義
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 論文的研究內(nèi)容
    1.5 論文結(jié)構(gòu)說明
第二章 中文情感分析的相關技術與方法
    2.1 中文文本預處理
    2.2 文本表示與文本特征處理
        2.2.1 文本表示模型
        2.2.2 文本特征項選取
        2.2.3 文本特征權(quán)值計算
    2.3 文本分類技術
    2.4 深度神經(jīng)網(wǎng)絡技術
    2.5 本章總結(jié)
第三章 基于textEBRNN的中文評論情感極性分析
    3.1 研究動機
    3.2 詞嵌入研究
    3.3 雙向LSTM特征提取層分析
        3.3.1 普通的循環(huán)神經(jīng)網(wǎng)絡單元
        3.3.2 雙向長短時記憶網(wǎng)絡單元
    3.4 基于textEBRNN的中文評論情感極性分類模型設計
        3.4.1 基于textEBRNN的中文評論情感極性分類模型整體結(jié)構(gòu)
        3.4.2 輸入層設計
        3.4.3 雙向長短時記憶網(wǎng)絡層設計
        3.4.4 全連接層與Sigmoid層設計
    3.5 實驗流程與結(jié)果分析
        3.5.1 實驗環(huán)境
        3.5.2 基于textEBRNN的中文評論情感極性分類處理流程
        3.5.3 實驗數(shù)據(jù)采集與預處理
        3.5.4 文本標注
        3.5.5 訓練詞向量
        3.5.6 textEBRNN網(wǎng)絡模型實現(xiàn)
        3.5.7 模型評價指標
        3.5.8 模型訓練方法
        3.5.9 相關實驗設計
        3.5.10 實驗結(jié)果分析
    3.6 本章總結(jié)
第四章 基于textEBRNN-Attention的情感分析模型
    4.1 注意力機制研究
    4.2 帶注意力的情感極性分析模型textEBRNN-Attention
    4.3 實驗設計
        4.3.1 實驗流程
        4.3.2 相關實驗設計
    4.4 實驗結(jié)果分析
    4.5 本章總結(jié)
第五章 基于融合神經(jīng)網(wǎng)絡的中文微博情緒分析
    5.1 研究動機
    5.2 卷積神經(jīng)網(wǎng)絡單元研究
    5.3 BiLSTM-CNN融合情緒分類模型
        5.3.1 輸入層設計
        5.3.2 BiLSTM層設計
        5.3.3 卷積層與池化層設計
        5.3.4 全連接層與分類器層設計
    5.4 BiLSTM-CNN-Attention模型
        5.4.1 模型整體結(jié)構(gòu)
        5.4.2 注意力層設計
    5.5 實驗流程與結(jié)果分析
        5.5.1 數(shù)據(jù)采集與預處理
        5.5.2 基于BiLSTM-CNN-Attention融合的中文微博情緒多分類模型實現(xiàn)
        5.5.3 相關實驗設計
        5.5.4 實驗結(jié)果分析
    5.6 模型超參數(shù)分析與對比試驗
        5.6.1 實驗超參數(shù)設置
        5.6.2 不同卷積核個數(shù)和dropout比例對比
        5.6.3 不同池化方式對比
        5.6.4 多輪epoch下數(shù)據(jù)擬合情況
    5.7 本章總結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 對未來工作的展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：3791509