互聯(lián)網(wǎng)持續(xù)高速的發(fā)展帶來了便捷的生活方式,各種新聞、社交、娛樂、電商網(wǎng)站層出不窮,我們可以隨時隨地在網(wǎng)上進行閱讀、購物、交流等。在這些網(wǎng)站中,經(jīng)常會產(chǎn)生大量的評論性文本,即描述對某一件事情的看法或者意見的文本,對這種類型的文本進行意見挖掘和整理,有助于我們辨別產(chǎn)品好壞、商家提高服務水平、政府掌握輿情走向等。在這些評論文本中,大部分都包含有明顯的情感傾向性信息,如何準確地對這些文本進行情感傾向性自動分類,是本文的主要工作。深度學習具有強大的特征自動提取功能,已被廣泛應用到了語音識別、機器翻譯、圖像識別、人機交互等各個領(lǐng)域中。在情感分類的研究中,由于文本特征提取的困難性和復雜性,基于傳統(tǒng)的學習方法已逐漸被深度學習所取代。本文在基本神經(jīng)網(wǎng)絡的基礎(chǔ)上,通過加入詞語的情感向量來提高情感分類的準確率,主要工作有:一是對領(lǐng)域相關(guān)情感詞進行識別,并計算情感詞語的情感強度值。不同領(lǐng)域的評論文本中會含有一些領(lǐng)域相關(guān)的情感詞語,為了準確地判斷文本的情感傾向性,需要對領(lǐng)域相關(guān)情感詞進行識別。本文基于無監(jiān)督學習的思想,通過構(gòu)建普遍適用的情感語句規(guī)則模型來實現(xiàn)情感詞語的自動識別。其中,識別的過程采用的是“差分共現(xiàn)...

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景與研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 文本情感分類方法研究現(xiàn)狀
        1.2.2 句子的表示研究現(xiàn)狀
    1.3 本文研究內(nèi)容以及研究框架
        1.3.1 文本情感分類流程
        1.3.2 研究內(nèi)容
    1.4 創(chuàng)新點介紹
    1.5 論文組織結(jié)構(gòu)
第二章 相關(guān)背景知識
    2.1 基于機器學習的情感分類方法
        2.1.1 有監(jiān)督學習
        2.1.2 半監(jiān)督學習
        2.1.3 無監(jiān)督學習
    2.2 神經(jīng)網(wǎng)絡基礎(chǔ)知識
        2.2.1 感知器與神經(jīng)元
        2.2.2 神經(jīng)網(wǎng)絡分類
        2.2.3 參數(shù)學習
    2.3 本章小結(jié)
第三章 領(lǐng)域相關(guān)情感詞的識別
    3.1 基于規(guī)則的情感分類方法
        3.1.1 語法規(guī)則的構(gòu)建
        3.1.2 實驗分析
    3.2 領(lǐng)域相關(guān)情感詞的識別方法
        3.2.1 差分共現(xiàn)法識別領(lǐng)域相關(guān)情感詞
        3.2.2 實驗分析
    3.3 本章小結(jié)
第四章 情感詞情感強度的計算
    4.1 HowNet求詞語相似度
    4.2 word2vec求詞語相似度
        4.2.1 CBOW原理
        4.2.2 梯度計算
    4.3 情感詞強度的計算方法
    4.4 實驗分析
    4.5 本章小結(jié)
第五章 基于深度學習的情感分類模型
    5.1 卷積神經(jīng)網(wǎng)絡
        5.1.1 卷積神經(jīng)網(wǎng)絡原理
        5.1.2 基于CNN的情感分類模型
    5.2 循環(huán)神經(jīng)網(wǎng)絡
        5.2.1 循環(huán)神經(jīng)網(wǎng)絡原理
        5.2.2 基于LSTM的情感分類模型
    5.3 實驗分析
        5.3.1 實驗數(shù)據(jù)
        5.3.2 性能指標
        5.3.3 實驗
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來展望
參考文獻
致謝
作者簡介



本文編號：3815492