互聯(lián)網(wǎng)技術的飛速發(fā)展造就了眾多的網(wǎng)絡信息平臺,同時也大大降低了人們發(fā)布和接收信息的門檻。新浪微博(以下簡稱微博)是國內(nèi)主要的輿論平臺之一,承載了大量民眾發(fā)布的信息,這些信息大部分都帶有情感傾向,對微博熱點話題文本進行處理進而分析、挖掘其中的情感傾向有利于政府單位或企業(yè)了解輿情走向,具有社會意義和商業(yè)意義。在大數(shù)據(jù)時代,基于情感詞典和傳統(tǒng)機器學習的文本情感分析方法顯得效率低下,而基于深度學習的文本情感分析方法開始嶄露頭角,其中卷積神經(jīng)網(wǎng)絡(CNN)和長短時記憶神經(jīng)網(wǎng)絡(LSTM)以其各自的優(yōu)勢在文本情感分析領域成為主流方法。但目前普通的深度學習方法在處理文本任務上也存在著一些問題,例如無法關注到語句中各個詞的重要程度和文本詞量化表示的單一性等。針對這些問題,本文研究工作如下:1.通過結(jié)合CNN和BiLSTM在文本處理方面的優(yōu)勢構(gòu)建了 ConvBiLSTM模型,該模型在卷積層和池化層能夠發(fā)揮CNN對于文本語句深層抽象特征的提取優(yōu)勢,在雙向長短時記憶網(wǎng)絡層能夠發(fā)揮BiLSTM在兼顧前后文信息的優(yōu)勢。通過實驗表明,該模型在本文的數(shù)據(jù)集上相比CNN、LSTM、BiLSTM等模型在準確率和F1值上...

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景和意義
    1.2 文本情感分析國內(nèi)外研究進展
        1.2.1 基于情感詞典的文本情感分析方法研究現(xiàn)狀
        1.2.2 基于傳統(tǒng)機器學習的文本情感分析方法研究現(xiàn)狀
        1.2.3 基于深度學習的文本情感分析方法研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
第2章 相關理論概述
    2.1 文本情感分析相關問題概述
        2.1.1 文本預處理
        2.1.2 文本向量化
        2.1.3 詞向量訓練
    2.2 深度學習方法
        2.2.1 卷積神經(jīng)網(wǎng)絡
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡
        2.2.3 長短時記憶神經(jīng)網(wǎng)絡
    2.3 本章小結(jié)
第3章 基于ConvBiLSTM的文本情感分析模型
    3.1 ConvBiLSTM模型結(jié)構(gòu)
        3.1.1 融合詞性特征的輸入層
        3.1.2 卷積層
        3.1.3 池化層
        3.1.4 BiLSTM層
        3.1.5 全連接層與輸出層
    3.2 實驗設計與分析
        3.2.1 實驗軟硬件環(huán)境
        3.2.2 實驗流程
        3.2.3 實驗數(shù)據(jù)
        3.2.4 實驗評價指標
        3.2.5 參數(shù)對比實驗
        3.2.6 模型對比實驗
    3.3 本章小結(jié)
第4章 引入Attention機制的文本情感分析模型
    4.1 Attention機制
    4.2 引入自注意力機制的ConvBiLSTM-SA模型
    4.3 實驗設計與分析
        4.3.1 實驗數(shù)據(jù)與評價指標
        4.3.2 Word2vec與GloVe對比實驗
        4.3.3 模型對比實驗
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻



本文編號：3810706