隨著互聯(lián)網(wǎng)的發(fā)展進入新的時代,媒體行業(yè)快速發(fā)展,微博成為國內(nèi)人民獲取信息和發(fā)表觀點的媒介。微博中包含了大量的文本信息,如時事熱點,社會現(xiàn)象,經(jīng)濟信息等以及對微博內(nèi)容的評論。使用計算機技術(shù)對微博上展示的文本數(shù)據(jù)進行情感分析,將會幫助相關(guān)部門、企業(yè)和機構(gòu)對于公眾的觀點態(tài)度進行精確的了解,分析事件所產(chǎn)生的影響。為相關(guān)部門、企業(yè)和機構(gòu)進行合理的輿情分析及監(jiān)控,制定輿情應對與解決的策略并提供準確的參考信息,同時針對各個領(lǐng)域的微博輿情分析可以了解各行業(yè)和其產(chǎn)品情況,對行業(yè)的發(fā)展有著積極的促進作用。本文研究與實現(xiàn)基于輿情分析的微博情緒監(jiān)測系統(tǒng),對微博文本數(shù)據(jù)進行虛假微博評論的去除,獲取真實的用戶評論數(shù)據(jù)提高了微博文本數(shù)據(jù)進行輿情分析的準確率。主要使用了PU LEARNING算法和LSTM算法。融合PU LEARNING模型和LSTM模型,提出了一種基于虛假評論識別和深度學習的情感分析模型簡稱為PU-LSTM模型。1.首先使用PU LEARNING算法對獲取的微博評論數(shù)據(jù)進行數(shù)據(jù)預處理和向量化。2.然后提出三大評價指標,8個判斷屬性。狀態(tài)指標、內(nèi)容指標和行為指標,下設(shè)8個屬性為:用戶可信度、用戶評價時...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖3.3PU-Learning模型步驟

基于輿情分析的微博情緒監(jiān)測系統(tǒng)研究與實現(xiàn)-17-圖3.3PU-Learning模型步驟3.3LSTM模型3.3.1LSTM算法設(shè)計LSTM[11]稱為長短時記憶模型是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型。長短時記憶模型是為了解決在循環(huán)神經(jīng)網(wǎng)絡(luò)具有的缺點，比方說，由于序列長度逐漸增....

圖3.4LSTM模型簡化結(jié)構(gòu)

基于輿情分析的微博情緒監(jiān)測系統(tǒng)研究與實現(xiàn)-17-圖3.3PU-Learning模型步驟3.3LSTM模型3.3.1LSTM算法設(shè)計LSTM[11]稱為長短時記憶模型是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型。長短時記憶模型是為了解決在循環(huán)神經(jīng)網(wǎng)絡(luò)具有的缺點，比方說，由于序列長度逐漸增....

圖3.8Dropout算法的基本原理

基于輿情分析的微博情緒監(jiān)測系統(tǒng)研究與實現(xiàn)-20-圖3.7不同訓練次數(shù)的準確波動情況由圖3.7可以看出，隨著Epoch值的逐漸提高，實驗的準確率的在提高，在數(shù)值為9時達到最高。開展上述中的實驗時，需要設(shè)置Epoch值等于9，可以獲得最優(yōu)的數(shù)值。（3）實驗Dropout數(shù)值Dropo....

圖3.13正向情感箱圖

基于輿情分析的微博情緒監(jiān)測系統(tǒng)研究與實現(xiàn)-25-圖3.13正向情感箱圖圖3.14負向情感箱圖可以看出正向情感強度值主要分布在10至20左右；負向情感強度值主要分布在-10至-20左右。由此將數(shù)據(jù)分為正向情感：一般（0—10），中度（10—20），高度（20以上）三類；負向情感：一....

本文編號：3968041