隨著互聯(lián)網(wǎng)的飛速發(fā)展,人們也由以前的被動接收信息,逐步向主動參與轉(zhuǎn)變,更樂于通過微博、博客、論壇等互聯(lián)網(wǎng)平臺公開發(fā)表自己的看法與觀點�；ヂ�(lián)網(wǎng)每天都會產(chǎn)生大量的非結(jié)構(gòu)化文本信息,其中包含了用戶的看法以及情感。如果對這些具有很好的工業(yè)和學術研究價值的信息進行研究,并從中提取出所需的情感信息,便可以進一步促進網(wǎng)絡輿情分析、企業(yè)管理、事件預測及商品營銷等領域的發(fā)展�；谇楦性~典和基于機器學習的傳統(tǒng)情感分類方法不適用于數(shù)據(jù)集龐大的應用場景,因此,深度學習已經(jīng)成為情感分類領域的主流研究方向。論文主要工作內(nèi)容如下:（1）構(gòu)建CNN-Inception-Bi LSTM文本情感分類模型,先通過CNN-Inception網(wǎng)絡學習文本的局部特征,再結(jié)合Bi LSTM的特點,利用文本的上下文特征,充分發(fā)揮兩者的優(yōu)勢。本文采用的數(shù)據(jù)集是imdb影評數(shù)據(jù)集和toxic comment評論數(shù)據(jù)集,運用keras框架構(gòu)建CNN-Inception-Bi LSTM網(wǎng)絡,進行多次實驗,實驗結(jié)果表明,CNN-Inception-Bi LSTM模型相對于其他模型取得了較好的分類效果。（2）構(gòu)建Text RCNN-Text C... 

【文章來源】：遼寧科技大學遼寧省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

情感分類方法

遼寧科技大學碩士學位論文9圖2.2基于情感詞典的文本情感分類方法Fig.2.2Textsentimentclassificationmethodbasedonsentimentlexicon其中，情感詞典的質(zhì)量是情感分類任務中的重點，下面介紹一些常見的情感詞典資源。目前，公開的情感詞典有很多，這些情感詞典大部分都是人工構(gòu)建的。英文情感詞典有GI（GeneralInquirer）、OpinionLexicon等。GI是由哈佛大學提供的最早的一個英文情感詞典，情感詞類別是正負兩類。OpinionLexicon是伊利諾伊大學BingLiu發(fā)布的英文情感詞典，該情感詞典包括情感詞、拼寫錯誤、語法變形、俚語等語義信息。英文情感詞典的具體信息見表2.2。表2.2英文情感詞典Tab.2.2Englishsentimentdictionary情感詞典褒義詞個數(shù)貶義詞個數(shù)情感極性詞總數(shù)GeneralInquirer191422934207OpinionLexi-con200647836789目前常用的中文情感詞典主要有知網(wǎng)HowNet情感詞典[30]、NTUSD情感詞典[31]和DUTIR情感詞匯本體庫[32]。董振東等人花三十年標注了知網(wǎng)HowNet情感詞典，詞典分為中文情感詞典和英文情感詞典兩部分，詞典中還包括一個詞與詞的大型關系網(wǎng)絡。NTUSD（NationalTaiwanUniversitySentimentDictionary）是臺灣大學自然語言處理實驗室公布的簡體中文情感極性詞典，該情感詞典擴充了貶義詞義詞。大連理工大學構(gòu)建了DUTIR情感詞匯本體庫，在該詞典中，一個情感詞有很多信息，主要包括詞性、情感類別、情感強度，情感極性等，情感

2.相關技術介紹161(|)()(|)niijijPCXPCPxC（2.20）公式（2.20）就是樸素貝葉斯分類器的表達式。樸素貝葉斯法對條件概率分布做了獨立性假設，極大減少了參數(shù)的數(shù)量，在文本情感分類任務中取得了較好的分類效果。然而，該方法假設樣本各個特征詞之間是相互獨立的，即一個特征詞出現(xiàn)的可能性與其他特征詞沒有任何關系，顯然，這個假設不合實際，從而導致該方法存在一定的局限性。（3）支持向量機（SVM）支持向量機（SupportVectorMachine，SVM）[49]是由Vapnik等人提出的一種用于解決二分類問題的機器學習方法。該方法的核心思想是：在保證最小的分類錯誤率的基礎上，在高維特征空間中尋找到一個盡可能將兩個數(shù)據(jù)集合分開的最優(yōu)超平面。在特征空間中，分割超平面的方程如公式（2.21）：0Twxb（2.21）其中，12(,,...,)dwwww用于確定分割超平面的方向；b表示偏置項，用于確定原點與分割超平面之間的距離，x代表樣本空間任意點，顯然，法向量w和偏置項b共同確定了分割超平面。那么樣本空間中任意點到分割超平面的距離如公式（2.22）：||||||Twxbrw（2.22）支持向量機示意圖如圖2.4所示。圖2.4支持向量機示意圖Fig.2.4SVMdiagram

【參考文獻】：
期刊論文
[1]基于混合深度神經(jīng)網(wǎng)絡模型的司法文書智能化處理[J]. 王文廣,陳運文,蔡華,曾彥能,楊慧宇.  清華大學學報(自然科學版). 2019(07)
[2]基于N-gram模型的中文分詞前k優(yōu)算法[J]. 李書豪,陳宇,呂淑寶,張猛治.  智能計算機與應用. 2016(06)
[3]基于字符串匹配的中文分詞算法的研究[J]. 常建秋,沈煒.  工業(yè)控制計算機. 2016(02)
[4]深度學習研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛.  計算機科學. 2016(02)
[5]基于卷積神經(jīng)網(wǎng)絡的微博情感傾向性分析[J]. 劉龍飛,楊亮,張紹武,林鴻飛.  中文信息學報. 2015(06)
[6]基于多粒度計算和多準則融合的情感分類[J]. 王丙坤,黃永峰,李星.  清華大學學報(自然科學版). 2015(05)
[7]基于字符的中文分詞、詞性標注和依存句法分析聯(lián)合模型[J]. 郭振,張玉潔,蘇晨,徐金安.  中文信息學報. 2014(06)
[8]基于深度學習的微博情感分析[J]. 梁軍,柴玉梅,原慧斌,昝紅英,劉銘.  中文信息學報. 2014(05)
[9]基于LDA模型的中文微博話題意見領袖挖掘[J]. 馮時,景珊,楊卓,王大玲.  東北大學學報(自然科學版). 2013(04)
[10]有效的中文微博短文本傾向性分類算法[J]. 韓忠明,張玉沙,張慧,萬月亮,黃今慧.  計算機應用與軟件. 2012(10)

碩士論文
[1]基于深度學習的知乎標題的多標簽文本分類[D]. 張闖.北京交通大學 2018
[2]混合深度學習模型在新聞文本分類中的應用[D]. 馬晨峰.山東大學 2018
[3]基于改進的LSTM的文本情感分析研究[D]. 閆勇莉.大連海事大學 2018
[4]基于深度神經(jīng)網(wǎng)絡的微博短文本情感分析研究[D]. 張英.中原工學院 2017
[5]基于Attention-Based LSTM模型的文本分類技術的研究[D]. 張沖.南京大學 2016
[6]基于統(tǒng)計學習的中文分詞方法的研究[D]. 王威.東北大學 2015
[7]基于統(tǒng)計學習的中文分詞改進及其在面向應用分詞中的應用[D]. 巫黃旭.浙江大學 2012
[8]基于情感詞典的中文微博情感傾向分析研究[D]. 陳曉東.華中科技大學 2012
[9]基于理解的漢語分詞系統(tǒng)的設計與實現(xiàn)[D]. 蘇勇.電子科技大學 2011
[10]中文情感詞匯本體的構(gòu)建及其應用[D]. 陳建美.大連理工大學 2009



本文編號：3210035