隨著“互聯(lián)網(wǎng)+旅游”的快速發(fā)展,我國在線預(yù)訂酒店規(guī)模迅速擴(kuò)大。消費(fèi)者能夠在酒店預(yù)訂平臺上發(fā)表自己的體驗(yàn)和評價(jià),成為用戶做出預(yù)訂決策和酒店管理人員做出管理決策、評估自身服務(wù)質(zhì)量以及挖掘消費(fèi)者需求的重要途徑。在酒店評論中,包含消費(fèi)者對酒店服務(wù)質(zhì)量評價(jià)的情感傾向,以及對具體評價(jià)對象的一個(gè)評價(jià)。對這些文本進(jìn)行分析、處理、歸納和總結(jié),對用戶分析、市場調(diào)查以及探索影響酒店服務(wù)質(zhì)量影響因素有重要參考意義。本文對從攜程上收集的88家酒店,共104740條評論,進(jìn)行情感分類和實(shí)體關(guān)系抽取,對文本進(jìn)行情感分類,并抽取其中的評價(jià)對象和評價(jià)詞及其對應(yīng)關(guān)系。對情感分類模型的構(gòu)建,本文通過人工對評論進(jìn)行情感標(biāo)注,分為正面情感和負(fù)面情感,其中正負(fù)樣本比例為9:1,利用Focal Loss代替交叉熵作為情感分類模型的損失函數(shù),該損失函數(shù)能夠降低簡單樣本的權(quán)重,關(guān)注困難樣本的訓(xùn)練。本文構(gòu)建了三個(gè)不同網(wǎng)絡(luò)結(jié)構(gòu)的模型,Text_CNN擴(kuò)展模型、混合神經(jīng)網(wǎng)絡(luò)模型以及FastText模型進(jìn)行集成學(xué)習(xí),在單個(gè)模型中FastText模型表現(xiàn)最好,F值為0.8587,通過集成學(xué)習(xí)能夠?qū)值提高至0.9003,AUC...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1研究框架圖

11第五章總結(jié)與展望。本章節(jié)對本文的研究內(nèi)容、方法和研究結(jié)果進(jìn)行總結(jié)。并闡述未來的工作研究方向。本文的研究框架圖如圖1-1所示：圖1-1研究框架圖1.4研究難點(diǎn)與可能的貢獻(xiàn)1.4.1研究難點(diǎn)（1）標(biāo)注語料獲取難度大獲取評論語料是展開研究的關(guān)鍵。攜程攜程作為一個(gè)商業(yè)網(wǎng)站，其網(wǎng)站上的....

圖2-1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

13第2章情感分類及聯(lián)合實(shí)體關(guān)系抽取理論基礎(chǔ)2.1情感分類模型2.1.1Text_CNN模型Text_CNN模型是Kim（2014）提出的模型，首次將卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在文本分類領(lǐng)域，利用不同size的kernel來識別句子中的信息，能夠....

圖2-2分層Softmax結(jié)構(gòu)

17FastText由輸入層、隱含層、輸出層構(gòu)成。輸入層是由向量表示的單詞，隱藏層是詞向量的平均，輸出層映射到所有類別中。FastText模型的輸入是多個(gè)單詞及其N-gram特征。Fasttext在輸入時(shí)使用字符級別的N-gram向量作為附加特征，使得語義特征更加完整，并采用分層....

圖2-3集成學(xué)習(xí)模型

19),...,,,(321nxxxxX),...,,,(321nyyyyY圖2-3集成學(xué)習(xí)模型2.2聯(lián)合實(shí)體關(guān)系抽取2.2.1序列標(biāo)注實(shí)體識別是信息抽取關(guān)鍵任務(wù)，是指從文本序列中識別出有特定意義或者指代性強(qiáng)的實(shí)體，包括人名、地名、組織結(jié)構(gòu)名、名詞等，本文中實(shí)體特指評價(jià)對象和評價(jià)....

本文編號：4029827