隨著網(wǎng)絡技術的飛速發(fā)展和計算機的普及,互聯(lián)網(wǎng)已經(jīng)成為生活中不可缺少的一部分,人們也越來越傾向于通過互聯(lián)網(wǎng)來表達自己對網(wǎng)絡商品、社會問題及熱點事件的觀點。網(wǎng)絡評論中通常包含評論對象的多個方面,而這些細粒度信息也愈發(fā)受到瀏覽者的關注,值得我們進一步進行挖掘和分析。然而面對互聯(lián)網(wǎng)上日益劇增的海量數(shù)據(jù),用戶要想找到自己所關注的信息往往需要耗費大量時間及精力,因此我們十分需要一種能夠對大量互聯(lián)網(wǎng)評論進行面向方面的觀點挖掘與分析的方法。傳統(tǒng)的方面級觀點挖掘方法效果欠佳且缺少高效的觀點總結方法。本文的工作包含以下四個方面:第一,本文對方面級觀點挖掘相關研究進行了綜述,對領域已有的工作分別從觀點方面提取方法、觀點內容提取方法、觀點挖掘評價指標及常用數(shù)據(jù)資源等角度進行了歸納總結與分析。第二,本文在前人的啟發(fā)下提出了一個帶有注意力機制的深度神經(jīng)網(wǎng)絡來進行方面級觀點挖掘任務,模型的輸入特征除了包含語義信息外更考慮了輸入文本的句法結構特征,最終通過在雙語言數(shù)據(jù)集上進行實驗證明了模型相比于其他參照模型在各個指標上均有不同程度的提升。第三,本文基于傳統(tǒng)DBSCAN方法提出算法時間復雜度上的優(yōu)化策略,利用改進后的快...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 研究內容
    1.3 論文組織結構
    1.4 本章小結
第2章 網(wǎng)絡評論方面級觀點挖掘相關研究
    2.1 方面級觀點挖掘的相關定義
    2.2 方面級觀點挖掘算法的分類比較
        2.2.1 觀點方面提取算法的分類比較
        2.2.2 觀點內容提取算法的分類比較
        2.2.3 算法局限性及待解決的問題
    2.3 常用數(shù)據(jù)集與觀點挖掘評價指標
        2.3.1 方面級觀點挖掘常用數(shù)據(jù)集
        2.3.2 評價指標
    2.4 本章小結
第3章 方面級觀點挖掘模型
    3.1 背景介紹
    3.2 觀點方面挖掘模型
    3.3 基于深度學習的方面級觀點內容挖掘模型
        3.3.1 序列標注及B-I-O標注機制
        3.3.2 基于注意力機制的ASBLSTM模型
    3.4 集成句法結構信息的模型特征
        3.4.1 特征組成
        3.4.2 句法結構編碼
    3.5 實驗設計
        3.5.1 數(shù)據(jù)集
        3.5.2 實驗設計
        3.5.3 評價指標
    3.6 實驗結果與分析
        3.6.1 定量分析
        3.6.2 定性分析
    3.7 本章小結
第4章 基于快速聚類的演員觀點總結算法
    4.1 背景介紹
    4.2 觀點提純
    4.3 基于DBSCAN的快速觀點聚類算法
        4.3.1 點間距離計算
        4.3.2 簇的擴充策略
        4.3.3 算法流程
    4.4 觀點聚類實驗與結果分析
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 實驗分析
    4.5 演員各項指標計算
        4.5.1 素質評分計算
        4.5.2 基本信息采集
    4.6 本章小結
第5章 演員推薦系統(tǒng)的設計與實現(xiàn)
    5.1 設計目的和框架
    5.2 系統(tǒng)相關技術
    5.3 基于注意力機制的ASBLSTM算法模塊
    5.4 基于快速聚類的觀點總結模塊
    5.5 演員推薦算法模塊
    5.6 界面展示
    5.7 本章小結
第6章 總結與展望
    6.1 論文總結
    6.2 問題與進一步研究方向
參考文獻
在學校期間發(fā)表的學術論文與研究成果
致謝



本文編號：3789616