復(fù)雜語(yǔ)境下中文短語(yǔ)的情感極性分析在機(jī)器學(xué)習(xí)領(lǐng)域一直是一個(gè)難題,直到神經(jīng)網(wǎng)絡(luò)的出現(xiàn)才為解決這一問(wèn)題打開(kāi)了一扇窗戶(hù),并成為神經(jīng)網(wǎng)絡(luò)研究的一大熱點(diǎn)領(lǐng)域。本論文旨在通過(guò)給時(shí)間卷積神經(jīng)網(wǎng)絡(luò)模型(TCN)引入注意力(Attention)機(jī)制來(lái)解決這一難題。本論文選取電子商務(wù)平臺(tái)上的商品評(píng)論短語(yǔ)作為研究對(duì)象,讓機(jī)器自動(dòng)分析判斷每條評(píng)論短語(yǔ)的情感極性(積極、消極),最終得出對(duì)商品的綜合評(píng)價(jià)。為了分析短語(yǔ)的情感極性,首先引入了詞向量嵌入機(jī)制將文本信息映射為向量數(shù)據(jù),再選取目前較為成熟的循環(huán)神經(jīng)網(wǎng)絡(luò)模型(LSTM、Bi-directional LSTM、LSTM Attention)和時(shí)間卷積神經(jīng)網(wǎng)絡(luò)模型(TCN)在電商評(píng)論數(shù)據(jù)集上進(jìn)行訓(xùn)練測(cè)試,通過(guò)對(duì)比分析這些模型的測(cè)試結(jié)果,本文指出LSTM Attention模型的準(zhǔn)確率以及F₁-Measure明顯優(yōu)于未引入Attention機(jī)制的LSTM、Bi-directional LSTM、TCN模型,而在未引入Attention機(jī)制的LSTM、Bi-directional LSTM、TCN三個(gè)模型中,TCN模型在訓(xùn)練過(guò)程中的表現(xiàn)又優(yōu)于LS...

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2–1感知器結(jié)構(gòu)[13]

第二章相關(guān)技術(shù)研究上海交通大學(xué)碩士學(xué)位論文圖2–1感知器結(jié)構(gòu)[13]Figure2–1TheStructureofPerceptron程，通過(guò)激活函數(shù)（ActivationFunction）將線性權(quán)重加和的結(jié)果進(jìn)一步處理，并得到輸出。感受器最終的輸出結(jié)果可以表示為式2–2。z=w....

圖2–2神經(jīng)網(wǎng)絡(luò)架構(gòu)[15]

上海交通大學(xué)碩士學(xué)位論文第二章相關(guān)技術(shù)研究圖2–2神經(jīng)網(wǎng)絡(luò)架構(gòu)[15]Figure2–2TheStructureofNeuralNetworks2.1.2模型訓(xùn)練模型的好與壞由模型在數(shù)據(jù)集上的擬合程度決定，通過(guò)學(xué)習(xí)大量已知數(shù)據(jù)不斷修正自身，最終使得模型能夠擬合整個(gè)數(shù)據(jù)集的過(guò)程就是....

圖2–3梯度下降算法原理

第二章相關(guān)技術(shù)研究上海交通大學(xué)碩士學(xué)位論文圖2–3梯度下降算法原理Figure2–3PrincipleofGradientDescentAlgorithm隨著在樣本數(shù)據(jù)上不斷迭代更新各個(gè)權(quán)重，直到損失函數(shù)在某個(gè)極小值上收斂，就可以視為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成。輸入信息隨著每一層的函數(shù)....

圖2–4基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)論情感分析

上海交通大學(xué)碩士學(xué)位論文第二章相關(guān)技術(shù)研究通，這樣極大的減少了神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的計(jì)算量，同時(shí)，局部特征相較全局特征可以更好的描述事物的本質(zhì)，故卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果通常比傳統(tǒng)神經(jīng)網(wǎng)的效果好。基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行商品評(píng)論情感分析[18]的原理如圖2–4所示，該網(wǎng)絡(luò)大致分為三個(gè)部....

本文編號(hào)：3921384