網(wǎng)絡(luò)信息技術(shù)近些年來飛速的發(fā)展,互聯(lián)網(wǎng)對人們生活的影響已經(jīng)滲透到了各個方面。人們通常習(xí)慣于通過文字來傳達(dá)自己對這個世界里的商品、事物以及人的看法,而互聯(lián)網(wǎng)就充當(dāng)了這個時代下的一個價值媒介。人們通過文字在互聯(lián)網(wǎng)下進(jìn)行交流以傳達(dá)各自的情感,借助這種廣泛的溝通方式,實現(xiàn)了高效而又便捷的信息和價值觀傳遞。故挖掘互聯(lián)網(wǎng)環(huán)境下文字及其傳遞的情感關(guān)系,不僅僅是對促進(jìn)NLP領(lǐng)域的研究和發(fā)展有著推動作用,還對人們實際的生活中有著實在的價值。簡單來說,我國機(jī)構(gòu)對于網(wǎng)絡(luò)輿情事件的處理與分析,一方面?zhèn)鬟f了政府對于類似事件的情感傾向,另一方面也為日后同類型的事件起了很好的導(dǎo)向作用。本文研究工作主要包括以下內(nèi)容:（1）本文基于如何能提升模型的文本特征提取的有效性的考慮,對傳統(tǒng)的模型進(jìn)行一些擴(kuò)展和改進(jìn)。本文考慮到現(xiàn)實中中文的外部信息對于文本的情感有一定的影響,對于文本情感分類能提升一些準(zhǔn)確性,于是將文本的主題通過相關(guān)的技術(shù)提取出來,構(gòu)建了HLB和HLC這兩個基于主題融合的情感分類模型。然后經(jīng)過試驗證明模型是有效的,說明特征融合的思路的可行性。（2）本文針對當(dāng)下互聯(lián)網(wǎng)文本長短不一,并且有一些噪音類的瑕疵,基于上文特征... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

各類應(yīng)用使用時長和傳統(tǒng)輿情相比，網(wǎng)絡(luò)輿情擁有自己獨特的新興的特征[1]，如反相共生性、

杭州電子科技大學(xué)碩士學(xué)位論文18N元組表示法[49]是一種常用的提取特征的模型，尤其是在進(jìn)行文本情感分類時，該模型基于的假設(shè)是，第n個詞出現(xiàn)與前n-1個詞相關(guān)，而與其他任何詞不相關(guān)，其核心的思想是，以N為窗口來對文本數(shù)據(jù)進(jìn)行檢查或滑動的操作。N元組模型的缺陷在于詞表維度增加、詞序列增加、詞之間的關(guān)系度量有困難、數(shù)據(jù)稀疏。文本分析工作中，常用的N元組模型一般取N為2或3。4.詞向量除上述所有的技術(shù)以外，還有一種在NLP領(lǐng)域被頻繁的應(yīng)用的文本表示方法—詞的分布式表示法。下面主要介紹兩種詞向量技術(shù)：（1）word2vecword2vec的思想由來，是近兩千年的時候Benjio提出的神經(jīng)語言模型（NLM）[50]，其結(jié)構(gòu)見圖2.3。word2vec在NLM的基礎(chǔ)上作出了幾點改良，首先是從輸入層到隱含層，簡單直接的使用了求和取平均的方式來取映射值，沒有用原來相對而言復(fù)雜的ActivationFunction等方法。其次是對于最后的關(guān)鍵層—輸出層作出了一些矯正。圖2.3神經(jīng)語言模型2013年的時候，Mikolov[21]等在2013年的時候首次創(chuàng)新性的提出了word2vec，它的原理是，由NeuralNetwork學(xué)習(xí)某個輸出到輸出的模型，通過實驗操練后獲取詞向量的權(quán)重，把輸入的數(shù)據(jù)通過詞向量表達(dá)出來。歸納可知，word2vec模型的整個工作有2個步驟組成，第一為構(gòu)建模型，第二步對上一步構(gòu)建好的模型進(jìn)行訓(xùn)練，獲得了嵌入的詞向量。由訓(xùn)練model的不一樣，word2vec可以分為兩種，一種是連續(xù)詞袋模型(CBOW)，一種是Skip-Gram模型。那么其中呢，CBOW模型是給

杭州電子科技大學(xué)碩士學(xué)位論文 定 上 下 文 contex(x) ( contex(x) 表 示 詞 x 前 后 的 m 個 詞xt m,..., xt 1, xt +1,..., xt +m )來預(yù)測目標(biāo)詞 xt ， Skip-Gram 是給定目標(biāo)詞 x 來預(yù)測 上 下 文 contex(x) 。 CBOW 模 型 是 從 文 本 對 目 標(biāo) 詞 的 預(yù) 測 中 學(xué) 習(xí) 到Word vector Word vector 的表達(dá)。模型結(jié)構(gòu)具體如圖 2.4 左所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于BLSTM和注意力機(jī)制的電商評論情感分類模型[J]. 潘曉英,趙普,趙倩.  計算機(jī)與數(shù)字工程. 2019(09)
[2]中國網(wǎng)絡(luò)輿情研究13年（2005-2017）:理論、方法與實踐[J]. 李明,曹海軍.  情報雜志. 2019(05)
[3]國內(nèi)網(wǎng)絡(luò)輿情治理研究綜述[J]. 孔建華.  電子政務(wù). 2018(12)
[4]論“后真相”時代網(wǎng)絡(luò)輿論的特點及其引導(dǎo)對策[J]. 程仕波.  思想理論教育. 2018(09)
[5]基于微博情感分析和社會網(wǎng)絡(luò)分析的霧霾輿情研究[J]. 何躍,朱婷婷.  情報科學(xué). 2018(07)
[6]我國網(wǎng)絡(luò)輿情研究現(xiàn)狀述評[J]. 劉亞男.  情報雜志. 2017(05)
[7]網(wǎng)絡(luò)輿情演進(jìn)過程參與主體策略行為仿真和政府引導(dǎo)[J]. 胡瓏瑛,董靖巍.  中國軟科學(xué). 2016(10)
[8]面向網(wǎng)絡(luò)輿情的評論文本情感分析研究[J]. 李光敏,張行文,張磊,楊朋英.  情報雜志. 2014(05)
[9]面向微博短文本的細(xì)粒度情感特征抽取方法[J]. 賀飛艷,何炎祥,劉楠,劉健博,彭敏.  北京大學(xué)學(xué)報(自然科學(xué)版). 2014(01)
[10]特征采樣和特征融合的子圖像人臉識別方法[J]. 朱玉蓮,陳松燦.  軟件學(xué)報. 2012(12)

碩士論文
[1]基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)輿情文本情感分類方法研究[D]. 范文慧.電子科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的中文文本情感分類及其在輿情分析中的應(yīng)用研究[D]. 吳俊江.湘潭大學(xué) 2017
[3]基于深度學(xué)習(xí)的微博評論情感傾向性分析[D]. 胡西祥.哈爾濱工業(yè)大學(xué) 2017
[4]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(xué) 2012
[5]面向網(wǎng)絡(luò)輿情的中文評論文本情感傾向分析研究[D]. 羅亞平.東北財經(jīng)大學(xué) 2010
[6]非結(jié)構(gòu)文本最佳近似匹配系統(tǒng)的研究與實現(xiàn)[D]. 曹亞輝.東華大學(xué) 2011
[7]基于遺傳算法的文本聚類研究[D]. 楊麗.南京航空航天大學(xué) 2009
[8]中文分詞關(guān)鍵技術(shù)研究[D]. 曹衛(wèi)峰.南京理工大學(xué) 2009



本文編號：3301656