隨著移動互聯(lián)網(wǎng)的高速發(fā)展與信息技術(shù)的不斷推陳出新,以及智能設(shè)備的普及化,互聯(lián)網(wǎng)已大面積覆蓋人們的學(xué)習(xí)、工作、生活、出行、娛樂等領(lǐng)域。人們會在不同平臺分享自己的觀點、表達(dá)自己對熱點事件的態(tài)度、評論商品的質(zhì)量,通過網(wǎng)絡(luò)文本表達(dá)自己的感受和情感。挖掘文本中用戶的潛在情感傾向,對產(chǎn)品調(diào)研、市場分析、網(wǎng)絡(luò)輿情預(yù)警等應(yīng)用有巨大的商業(yè)價值和社會意義。文本情感分析方法可分為基于情感詞典的方法和基于機器學(xué)習(xí)的方法兩類。基于情感詞典的分析方法依賴情感詞典,情感詞典的質(zhì)量直接影響模型的分類效果。該方法雖然簡單,但是需要耗費巨大的人力維護(hù)詞典,并且模型不具有可移植性。傳統(tǒng)機器學(xué)習(xí)方法提取文本特征時需要領(lǐng)域?qū)＜业膮⑴c,不同領(lǐng)域的文本特征建模是有所區(qū)別的,因此也沒有妥善解決人工成本和可移植性問題。針對基于詞典和傳統(tǒng)機器學(xué)習(xí)方法在文本情感挖掘方面的不足,本文將卷積神經(jīng)網(wǎng)絡(luò)(CNN)和注意力(Attention)機制相結(jié)合,設(shè)計了適用于網(wǎng)絡(luò)用戶情感分類的模型(MWABCNN)。在理論模型研究的基礎(chǔ)上,設(shè)計了網(wǎng)絡(luò)情感分析原型系統(tǒng),本文具體工作如下:第一,在研究文本情感分析的詞向量結(jié)構(gòu)基礎(chǔ)上,對現(xiàn)有詞向量訓(xùn)練模型進(jìn)行對比...

【文章頁數(shù)】：102 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3-6情感分類任務(wù)性能隨詞向量維度變化曲線

電子科技大學(xué)碩士學(xué)位論文CBOW模型訓(xùn)練的詞向量，對于分類任務(wù)最為理想，其次是Skip-gram，由&W建模時保留了單詞間的語義信息，詞向量在句子層面效果較為明顯。而基下文矩陣分解的GloVe在網(wǎng)絡(luò)文本分類上也比較有優(yōu)勢。詞向量的維度大小類問題也有一定的影響，為了更具體....

圖4-18分類模型加入注意機制前后準(zhǔn)確率對比圖

圖4-18分類模型加入注意機制前后準(zhǔn)確率對比圖論語料大小，MWABCNN模型性能都更好。當(dāng)訓(xùn)練語料較少時，注意力機制型的分類影響較大，隨著訓(xùn)練語料的增加，二者差距逐漸減小，最終MWABCN型在原有模型的基礎(chǔ)上，將準(zhǔn)確率提高了0.85個百分點。3.模型中不同參數(shù)對最終....

圖5-1NUSAS系統(tǒng)架構(gòu)圖

電子科技大學(xué)碩士學(xué)位論文展示幾個主要功能模塊進(jìn)行設(shè)計，如圖5-1所示。首先通過數(shù)據(jù)采集模塊從各種渠道收集語料，并對數(shù)據(jù)進(jìn)行相應(yīng)預(yù)處理。模型訓(xùn)練模塊通過數(shù)據(jù)庫連接池從文本數(shù)據(jù)庫獲取已預(yù)處理的文本，對詞向量模型和分類模型進(jìn)行訓(xùn)練。用戶通過UI交互頁面調(diào)用已訓(xùn)練好的模型對用戶評....

圖5-11NUSAS文本分析頁面

問文本分類模型與相關(guān)數(shù)據(jù)數(shù)據(jù)訪問模型與數(shù)據(jù)模型與數(shù)據(jù)運行模型，生成ModelAndView返回ModelAndView通過ViewResolver解析視圖渲染視圖并返回圖5-10文本分析時序圖文本分析任務(wù)在實時分析模塊運行過程如圖5-10所示，用戶首先登陸系統(tǒng)，提交文本分....

本文編號：3982319