大數(shù)據(jù)時(shí)代的消費(fèi)模式正在由線下逐漸發(fā)展到線上,網(wǎng)絡(luò)消費(fèi)平臺(tái)積累了大量的用戶評(píng)論,在很大程度上反映了消費(fèi)者的態(tài)度和觀點(diǎn),對(duì)服務(wù)和商品提供方也有一定的反饋?zhàn)饔�。用戶評(píng)論具有數(shù)據(jù)量大、日益劇增等特點(diǎn),從中人工提取有用的信息需要耗費(fèi)大量的時(shí)間和精力,因此亟需一種能夠?qū)Ａ坑脩粼u(píng)論進(jìn)行觀點(diǎn)挖掘分析的方法。一條用戶評(píng)論往往包含多個(gè)觀點(diǎn)詞,并對(duì)應(yīng)具體的觀點(diǎn)維度,例如在餐飲業(yè)評(píng)論中“火鍋”、“美味”等觀點(diǎn)詞皆屬于“菜品”這一維度。本文主要從觀點(diǎn)維度抽取以及觀點(diǎn)維度層級(jí)的情感分析兩個(gè)方面展開深入研究,挖掘得到用戶評(píng)論中的細(xì)粒度主觀情感,以幫助消費(fèi)者科學(xué)選擇,商家有針對(duì)性地改進(jìn)。在維度抽取任務(wù)中,本文將觀點(diǎn)詞作為特定的實(shí)體進(jìn)行抽取,并劃分到具體的觀點(diǎn)維度。論文提出一種基于ELMo改進(jìn)的預(yù)訓(xùn)練語言模型fastELMo,相比于其它靜態(tài)詞向量方法,能夠融合評(píng)論文本的句法特征,有效解決多義詞的向量表示問題。在觀點(diǎn)詞抽取任務(wù)中,fastELMo結(jié)合雙向LSTM的網(wǎng)絡(luò)結(jié)構(gòu)相比其它實(shí)驗(yàn)?zāi)Ｐ驮诟黜?xiàng)評(píng)價(jià)指標(biāo)上提升均超過1%。觀點(diǎn)詞基于文本相似度算法劃分到具體觀點(diǎn)維度,論文在相似度計(jì)算中創(chuàng)新性地引入最大邊界相關(guān)算法思想,使維...

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-12016.6-2019.6網(wǎng)上外賣用戶規(guī)模及使用率[1]

第一章緒論第一章緒論1.1研究工作的背景與意義近年來，由于信息技術(shù)的快速發(fā)展和個(gè)人電腦、手機(jī)等網(wǎng)絡(luò)設(shè)備的快速普及，依賴互聯(lián)網(wǎng)的生活模式逐漸在人們的心中扎根，與日常生活越來越密不可分，例如網(wǎng)上購物、外賣配送、網(wǎng)上看房等的廣泛使用。2019年8月30日中國互聯(lián)網(wǎng)信息中心（CNNIC）....

圖2-1神經(jīng)網(wǎng)絡(luò)語言模型NNLM基于詞向量的固定表示

電子科技大學(xué)碩士學(xué)位論文圖2-1神經(jīng)網(wǎng)絡(luò)語言模型NNLM2.3.2基于詞向量的固定表示自然語言處理領(lǐng)域著名的“分布式假設(shè)”，其原理就是相同的上下文語境的詞有著相似的含義，在此基礎(chǔ)上也衍生出了很多詞向量模型。詞向量的固定表示，即每個(gè)詞所對(duì)應(yīng)的詞向量是固定的，一成不變的，同一個(gè)單詞即....

圖2-2CBOW與Skip-gram網(wǎng)絡(luò)結(jié)構(gòu)[47]

第二章觀點(diǎn)挖掘相關(guān)理論及技術(shù)圖2-2CBOW與Skip-gram網(wǎng)絡(luò)結(jié)構(gòu)[47]Word2vec從本質(zhì)上是基于局部語料訓(xùn)練的，即在訓(xùn)練時(shí)每個(gè)單詞只與固定滑窗大小內(nèi)的上下文有關(guān)。GloVe（GlobalVectorsforWordRepresentation）則是基于全局語料，統(tǒng)計(jì)....

圖2-3ELMo預(yù)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)

?淮識(shí)嘁逶謐勻揮镅源?砹煊虺晌?艘桓霰冉涎現(xiàn)氐奈侍狻Ｕ?對(duì)上述問題，本節(jié)將介紹幾種基于詞向量的動(dòng)態(tài)表示方案。（1）ELMoELMo（EmbeddingfromLanguageModels）[48]，其本質(zhì)思想是根據(jù)上下文對(duì)訓(xùn)練的詞向量進(jìn)行動(dòng)態(tài)的調(diào)整。ELMo采用了典型的兩階段訓(xùn)練....

本文編號(hào)：3985421