隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,諸如微博、QQ、微信等社交平臺,京東、淘寶等網(wǎng)購平臺,可以說互聯(lián)網(wǎng)的產(chǎn)物層出不窮。而在日常生活中,人們?nèi)諠u頻繁的上網(wǎng)行為,通過這些平臺發(fā)布的評論形成了散布在互聯(lián)網(wǎng)中數(shù)量級巨大的短文本數(shù)據(jù)。挖掘這些短文本數(shù)據(jù)中蘊含的豐富情感觀點以及態(tài)度,對于政府部門進行輿情監(jiān)控、賣家制定營銷策略以及買家做出購買決定等具有重要且明確地指導意義。短文本數(shù)據(jù)往往呈現(xiàn)出篇幅較短,上下文特征稀疏以及語言表達口語化等特點,這為短文本數(shù)據(jù)挖掘帶來了巨大的挑戰(zhàn)。近年來,條件隨機場與深度學習模型在圖像處理、文本挖掘以及個性化推薦系統(tǒng)等領(lǐng)域的應(yīng)用越來越廣泛。條件隨機場是一種基于條件概率分布的模型,克服了標注數(shù)據(jù)時常見的標記偏差問題,可以有效地提取評論文本中包含的評價對象等相關(guān)信息,而深度學習模型可以在弱監(jiān)督下,主動學習評論文本中包含的情感傾向信息,這些優(yōu)勢決定了兩種模型在短文本挖掘領(lǐng)域受到的關(guān)注度越來越高。由于評論文本體現(xiàn)出的情感傾向,與文本中的評價對象有著密切的聯(lián)系,本文在條件隨機場與深度學習模型的基礎(chǔ)上,分別提出了針對于短文本評價對象識別與情感分析兩個方面的短文本挖掘方法。本文的工作主要有:(...

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

圖3-4預(yù)處理過程所需的LTP組件Figure3-4LTPComponentsrequiredforpreprocessing如上述例句：“手機外觀很好看，發(fā)貨很快

圖3-4預(yù)處理過程所需的LTP組件Figure3-4LTPComponentsrequiredforpreprocessing如上述例句：“手機外觀很好看，發(fā)貨很快�！�。1.分詞結(jié)果：“手機外觀很好看發(fā)貨很快”。2.詞性標注結(jié)果：“手機/n外觀/....

圖3-5實驗中所需以及生成的文件Figure3-5Documentsneededandgeneratedintheexperiment

合適的特征模板；實驗二，在實驗一選定較合適的特征模板的基礎(chǔ)上，首先驗證語義特征在識別評價對象任務(wù)中的有效性；其次，在其他特征組合的基礎(chǔ)上引入語義特征，目的是為了驗證引入語義特征是否能夠改善識別的效率。本文實現(xiàn)條件隨機場模型使用的是C++環(huán)境中的外部集成工具CRF++_0.58....

圖4-3生成詞向量各參數(shù)設(shè)置Figure4-3TheParameterSettingsofGeneratingWordVector

圖4-2詞向量生成原理圖Figure4-2TheSchematicDiagramofWordVectorGeneration本文通過Python中的gensim模塊實現(xiàn)Word2vec，將文本中的詞語訓練生成詞向量。由于實驗主要針對的是評論短文本，短....

圖4-5實驗中Attention層的python程序?qū)崿F(xiàn)Figure4-5PythonProgramImplementationofAttentionLayerinExperiments

圖4-5實驗中Attention層的python程序?qū)崿F(xiàn)Figure4-5PythonProgramImplementationofAttentionLayerinExperiments4.1.4Softmax層Softmax層是模型的最后一個模....

本文編號：3988013