隨著電商平臺的不斷發(fā)展,互聯(lián)網(wǎng)上積累了大量網(wǎng)民對商品的評論數(shù)據(jù),這些數(shù)據(jù)為電商提供用戶情感反饋的同時,也為眾多網(wǎng)民在購物時的決策提供參考。自然語言處理領域中文本情感分析算法可以從大量評論數(shù)據(jù)中分析出用戶積極、消極、或是中性的情感態(tài)度。然而,我們不僅想要了解用戶對產(chǎn)品的整體情感反饋,更需要進一步了解用戶對商品的具體方面的態(tài)度。為解決以上問題,本文在前人研究基礎上進一步研究面向電商用戶產(chǎn)品評論的細粒度情感分析中所涉及的模型方法,核心任務是成對的抽取用戶評論中的主題詞與情感詞,并對評論的情感極性做出判斷,具體工作如下:第一,研究并實現(xiàn)了一種融合詞性注意力機制的主題詞與情感詞識別模型。提出的混合模型中,雙向長短時記憶網(wǎng)絡能夠充分利用上下文的信息并抓取全局特征,詞性特征注意力機制網(wǎng)絡能夠將詞性特征向量和雙向長短時記憶網(wǎng)絡的隱藏層輸出向量進行關注計算,獲得詞性對預測目標的貢獻矩陣,條件隨機場層能夠有效學習輸出標簽之間前后依賴關系,進而確定用戶評價中的主題詞與情感詞。實驗表明,該混合模型能有效提升主題詞與情感詞的識別效果。第二,研究并實現(xiàn)了一種多元特征融合的卷積神經(jīng)網(wǎng)絡配對關系抽取模型。該模型有效將...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

圖2.1ward2vec相似度計算實例

情感評價詞典中，以便后面章節(jié)情感評價信息特征的提取。本文借助ｗ〇ｒｄ２ｖｅＣ??模型來實現(xiàn)新詞情感傾向的確定。??ｗｏｒｄ２ｖｅｃ（ｗｏｒｄ?ｔｏ?ｖｅｃｔｏｒ）是２０１３年Ｇｏｏｇｌｅ開發(fā)的可以將詞以向量形式表示??的工具，通過訓練，它可以將評論文本轉化成Ｋ維向量空間，然后對其....

圖2.3線性可分情況下的分類超平面

面向產(chǎn)品評論的細粒度情感分析研究本向量空間通過非線性映射的技術，映射到一個高維的特征空間特征空間中，存在一個可以將不同樣本分類的最佳分類超ｐｅｒ?Ｐｌａｎｅ），它可以保證每個類之間有足夠大的距離［２９］。??線性可分與不可分兩種情況，在前者情況下，一條直線就可以將這條直線就叫做最....

圖２．３所示，兩類樣本在二維??空間中的映射分別用空心圓點和實心圓點來表示，分類超平面有?

這條直線就叫做最佳的分類超平面，如圖２．３所示，兩類樣本在二維??空間中的映射分別用空心圓點和實心圓點來表示，分類超平面有三條直線ＨＩ，?Ｈ，??Ｈ２。當兩類樣本中最近點的距離最大時得到最佳的分類超平面，圖２．３中最佳分??類超平面為Ｈ，距離兩類樣本點最近的直線ＨＩ、Ｈ２是平行于....

圖２．５隱馬爾科夫模型結構圖??ＨＭＭ立，可直對條概率??

?（２．１１）??那么仏Ｏ）就符合條件隨機場模型的要求。一般，圖Ｇ沒有固定結構，但在模??型建立時，鏈式結構的使用率最高，如下圖２．６所示：??０?，Ｏｒ??▼??Ｓ?－?…，Ｓｎ??圖２．６?ＣＲＦ的鏈式結構??具體用于評論文本情感要素識別時，首先輸入觀察序列，即經(jīng)過分詞的評論....

本文編號：3935790