隨著現(xiàn)代化技術的迅速發(fā)展,互聯(lián)網已成為實現(xiàn)人們進行交流的最重要的一個途徑。越來越多的互聯(lián)網用戶通過網絡的途徑來表達自己的觀點和對周邊發(fā)生事情的看法。例如用戶從網絡平臺購買產品,并表達對產品的看法,或者政府發(fā)布一些政策,人們也可以通過網絡來表達自己的觀點。通過將這些數據收集、分析,獲取民眾的情感傾向性,這些情感傾向性數據有利于商家更好的去分配商品在市場上的比例,政府可以依據這些數據的合法性,去進一步完善政策內容并滿足民眾的實際需求。因此,研究文本的情感分析變得越來越重要。目前,情感分析主要應用于輿情分析、商家產品口碑等等方面。西藏作為中國著名的旅游勝地,每年都有很多來自中國內地的游客來西藏游玩以及品嘗西藏本地的美食,因此研究內地游客對其旅游景點以及當地的飲食評價的情感分析是非常有價值的。深度學習是學習數據之間的關聯(lián)性,并將這些信息應用到研究任務中,這些學習獲取到的信息能夠很好應用于語音、文字和圖像等領域。目前深度學習方法在自然語言處理方面取得了非常不錯的成果,因而受到越來越多人的青睞。相較于傳統(tǒng)情感分析過于依賴人工建立的情感詞典以及人工選擇特征的弊端,尤其是大數據時代的來臨,需要處理的數... 

【文章來源】：西藏大學西藏自治區(qū) 211工程院校

【文章頁數】：55 頁

【學位級別】：碩士

【部分圖文】：

CBOW結構圖

12想是一個樣本的K個最相鄰的樣本大多屬于某一類，則該樣本也屬于這一類。就是通過計算與各個樣本之間的距離，并取K個距離最近的樣本，然后統(tǒng)計這K個樣本中的類別，類別最多的即為該樣本類別。對于二分類問題，K通常取奇數。本次機器學習采用的是SVM算法，將重點介紹。SVM算法最早是由C.Cortes和V.Vapnik等提出的，以結構風險最小化為原則，解決模式識別中二分類問題的機器學習算法[34]。SVM主要是用來處理數據分類，在機器學習中是比較經典的算法之一。通過在樣本空間找到一個超平面將所有樣本空間的數據能夠很好的劃分，同時樣本空間的數據集與這個超平面的距離最短[35]。SVM分類原理示意圖如圖2-2所示。圖2-2SVM分類原理示意圖由SVM原理可知，要找到一個超平面，并且超平面到各個樣本的距離最大。由圖知超平面方程計算公式如2-3所示：)(bxwxf(2-3)x表示訓練的數據，w和b表示參數。設γ為距離，則得到距離公式為2-4和2-5：max(2-4)

16圖2-3循環(huán)神經網絡結構圖循環(huán)神經網絡主要包括輸入層、隱藏層和輸出層。由上圖可知，隱藏層中添加了一個反饋機制，使得同層神經元是相互連接的。以文本情感分析來說，輸入層的輸入通常都是單詞的詞向量，目前常采用Word2vec詞向量技術來訓練。隱藏層將輸入的詞向量數據與前一時刻的隱藏狀態(tài)分別乘以各自的權重再經過激活函數得到這一層的輸出，并且作為下一時刻的輸出。假設輸入為321...,,xxxxXn,隱藏層神經元初始狀態(tài)為321...,,hhhhHn，t時刻為當前時刻，則t時刻的隱藏狀態(tài)和輸出計算公式分別為2-13和2-14。XHHbWWhhhtxhtt)(1(2-13)HbWOqhqtt)(2-14)其中表示激活函數，表示t時刻的輸入向量，表示輸入數據的權重，1表示t-1時刻的隱藏狀態(tài)，表示隱藏狀態(tài)的權重，表示偏置。由公式可以看出，循環(huán)神經網絡任一時刻的輸出不僅與當前的輸入有關，還與之前的“記憶”有關。循環(huán)神經網絡通過引入“記憶”這一機制，在處理輸入為時間序列數據時，有其獨特的優(yōu)越性。但是它也面臨著一個嚴重的問題就是長期依賴，循環(huán)神經網絡只是短期記憶，無法實現(xiàn)長久的記憶，因為這涉及到梯度消失或者梯度爆炸。為了解決這一問題，本文在下一章將介紹循環(huán)神經網絡的變體長短期記憶網絡(LSTM),通過門機制來進行解決。

【參考文獻】：
期刊論文
[1]基于多部情感詞典和規(guī)則集的中文微博情感分析研究[J]. 吳杰勝,陸奎.  計算機應用與軟件. 2019(09)
[2]基于雙層注意力循環(huán)神經網絡的方面級情感分析[J]. 曾鋒,曾碧卿,韓旭麗,張敏,商齊.  中文信息學報. 2019(06)
[3]基于雙層注意力和Bi-LSTM的公共安全事件微博情感分析[J]. 曾子明,萬品玉.  情報科學. 2019(06)
[4]采用循環(huán)神經網絡的情感分析注意力模型[J]. 李松如,陳鍛生.  華僑大學學報(自然科學版). 2018(02)
[5]基于RNTN和CBOW的商品評論情感分類[J]. 彭三春,張云華.  計算機工程與設計. 2018(03)
[6]基于詞典與機器學習的藏文微博情感分析研究[J]. 楊志.  軟件. 2017(11)
[7]細粒度情感分析研究綜述[J]. 唐曉波,劉廣超.  圖書情報工作. 2017(05)
[8]機器學習與語義規(guī)則融合的微博情感分類方法[J]. 姜杰,夏睿.  北京大學學報(自然科學版). 2017(02)
[9]基于極性轉移和LSTM遞歸網絡的情感分析[J]. 梁軍,柴玉梅,原慧斌,高明磊,昝紅英.  中文信息學報. 2015(05)
[10]基于平滑SO-PMI算法的微博情感詞典構建方法研究[J]. 杜銳,朱艷輝,田海龍,劉璟,馬進.  湖南工業(yè)大學學報. 2015(05)

碩士論文
[1]基于深度學習與自注意力機制的情感分類方法研究[D]. 祝元勃.西安理工大學 2019
[2]基于BLSTM的中文短文本情感分析算法研究[D]. 吳小華.西北大學 2019
[3]基于注意力機制及深度學習的文本情感分析研究[D]. 梁寧.華北電力大學 2019
[4]基于CNN和BLSTM特征融合的情感分析研究[D]. 曹雯琳.華中師范大學 2019
[5]基于LSTM和LDA模型的患者情感分析研究[D]. 花樹雯.浙江理工大學 2019
[6]基于樸素貝葉斯的中文文本分類及Python實現(xiàn)[D]. 張航.山東師范大學 2018
[7]基于擴展詞典和規(guī)則的中文微博情感分析[D]. 李繼東.北京交通大學 2018
[8]基于LSTM模型的文本情感分析技術的研究[D]. 趙曉偉.華北電力大學 2018
[9]短文本用戶評論的分類系統(tǒng)設計與實現(xiàn)[D]. 李軍煒.北京郵電大學 2018
[10]基于機器學習的微博情感分析及應用[D]. 張俊東.北京郵電大學 2017



本文編號：3475782