隨著現(xiàn)代化技術(shù)的迅速發(fā)展,互聯(lián)網(wǎng)已成為實(shí)現(xiàn)人們進(jìn)行交流的最重要的一個(gè)途徑。越來(lái)越多的互聯(lián)網(wǎng)用戶通過(guò)網(wǎng)絡(luò)的途徑來(lái)表達(dá)自己的觀點(diǎn)和對(duì)周邊發(fā)生事情的看法。例如用戶從網(wǎng)絡(luò)平臺(tái)購(gòu)買(mǎi)產(chǎn)品,并表達(dá)對(duì)產(chǎn)品的看法,或者政府發(fā)布一些政策,人們也可以通過(guò)網(wǎng)絡(luò)來(lái)表達(dá)自己的觀點(diǎn)。通過(guò)將這些數(shù)據(jù)收集、分析,獲取民眾的情感傾向性,這些情感傾向性數(shù)據(jù)有利于商家更好的去分配商品在市場(chǎng)上的比例,政府可以依據(jù)這些數(shù)據(jù)的合法性,去進(jìn)一步完善政策內(nèi)容并滿足民眾的實(shí)際需求。因此,研究文本的情感分析變得越來(lái)越重要。目前,情感分析主要應(yīng)用于輿情分析、商家產(chǎn)品口碑等等方面。西藏作為中國(guó)著名的旅游勝地,每年都有很多來(lái)自中國(guó)內(nèi)地的游客來(lái)西藏游玩以及品嘗西藏本地的美食,因此研究?jī)?nèi)地游客對(duì)其旅游景點(diǎn)以及當(dāng)?shù)氐娘嬍吃u(píng)價(jià)的情感分析是非常有價(jià)值的。深度學(xué)習(xí)是學(xué)習(xí)數(shù)據(jù)之間的關(guān)聯(lián)性,并將這些信息應(yīng)用到研究任務(wù)中,這些學(xué)習(xí)獲取到的信息能夠很好應(yīng)用于語(yǔ)音、文字和圖像等領(lǐng)域。目前深度學(xué)習(xí)方法在自然語(yǔ)言處理方面取得了非常不錯(cuò)的成果,因而受到越來(lái)越多人的青睞。相較于傳統(tǒng)情感分析過(guò)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(shù)據(jù)時(shí)代的來(lái)臨,需要處理的數(shù)... 

【文章來(lái)源】：西藏大學(xué)西藏自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

CBOW結(jié)構(gòu)圖

12想是一個(gè)樣本的K個(gè)最相鄰的樣本大多屬于某一類(lèi)，則該樣本也屬于這一類(lèi)。就是通過(guò)計(jì)算與各個(gè)樣本之間的距離，并取K個(gè)距離最近的樣本，然后統(tǒng)計(jì)這K個(gè)樣本中的類(lèi)別，類(lèi)別最多的即為該樣本類(lèi)別。對(duì)于二分類(lèi)問(wèn)題，K通常取奇數(shù)。本次機(jī)器學(xué)習(xí)采用的是SVM算法，將重點(diǎn)介紹。SVM算法最早是由C.Cortes和V.Vapnik等提出的，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則，解決模式識(shí)別中二分類(lèi)問(wèn)題的機(jī)器學(xué)習(xí)算法[34]。SVM主要是用來(lái)處理數(shù)據(jù)分類(lèi)，在機(jī)器學(xué)習(xí)中是比較經(jīng)典的算法之一。通過(guò)在樣本空間找到一個(gè)超平面將所有樣本空間的數(shù)據(jù)能夠很好的劃分，同時(shí)樣本空間的數(shù)據(jù)集與這個(gè)超平面的距離最短[35]。SVM分類(lèi)原理示意圖如圖2-2所示。圖2-2SVM分類(lèi)原理示意圖由SVM原理可知，要找到一個(gè)超平面，并且超平面到各個(gè)樣本的距離最大。由圖知超平面方程計(jì)算公式如2-3所示：)(bxwxf(2-3)x表示訓(xùn)練的數(shù)據(jù)，w和b表示參數(shù)。設(shè)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖循環(huán)神經(jīng)網(wǎng)絡(luò)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(gè)反饋機(jī)制，使得同層神經(jīng)元是相互連接的。以文本情感分析來(lái)說(shuō)，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(shù)來(lái)訓(xùn)練。隱藏層將輸入的詞向量數(shù)據(jù)與前一時(shí)刻的隱藏狀態(tài)分別乘以各自的權(quán)重再經(jīng)過(guò)激活函數(shù)得到這一層的輸出，并且作為下一時(shí)刻的輸出。假設(shè)輸入為321...,,xxxxXn,隱藏層神經(jīng)元初始狀態(tài)為321...,,hhhhHn，t時(shí)刻為當(dāng)前時(shí)刻，則t時(shí)刻的隱藏狀態(tài)和輸出計(jì)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(shù)，表示t時(shí)刻的輸入向量，表示輸入數(shù)據(jù)的權(quán)重，1表示t-1時(shí)刻的隱藏狀態(tài)，表示隱藏狀態(tài)的權(quán)重，表示偏置。由公式可以看出，循環(huán)神經(jīng)網(wǎng)絡(luò)任一時(shí)刻的輸出不僅與當(dāng)前的輸入有關(guān)，還與之前的“記憶”有關(guān)。循環(huán)神經(jīng)網(wǎng)絡(luò)通過(guò)引入“記憶”這一機(jī)制，在處理輸入為時(shí)間序列數(shù)據(jù)時(shí)，有其獨(dú)特的優(yōu)越性。但是它也面臨著一個(gè)嚴(yán)重的問(wèn)題就是長(zhǎng)期依賴，循環(huán)神經(jīng)網(wǎng)絡(luò)只是短期記憶，無(wú)法實(shí)現(xiàn)長(zhǎng)久的記憶，因?yàn)檫@涉及到梯度消失或者梯度爆炸。為了解決這一問(wèn)題，本文在下一章將介紹循環(huán)神經(jīng)網(wǎng)絡(luò)的變體長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM),通過(guò)門(mén)機(jī)制來(lái)進(jìn)行解決。

【參考文獻(xiàn)】：
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(jì)算機(jī)應(yīng)用與軟件. 2019(09)
[2]基于雙層注意力循環(huán)神經(jīng)網(wǎng)絡(luò)的方面級(jí)情感分析[J]. 曾鋒,曾碧卿,韓旭麗,張敏,商齊.  中文信息學(xué)報(bào). 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(wàn)品玉.  情報(bào)科學(xué). 2019(06)
[4]采用循環(huán)神經(jīng)網(wǎng)絡(luò)的情感分析注意力模型[J]. 李松如,陳鍛生.  華僑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[5]基于RNTN和CBOW的商品評(píng)論情感分類(lèi)[J]. 彭三春,張?jiān)迫A.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(03)
[6]基于詞典與機(jī)器學(xué)習(xí)的藏文微博情感分析研究[J]. 楊志.  軟件. 2017(11)
[7]細(xì)粒度情感分析研究綜述[J]. 唐曉波,劉廣超.  圖書(shū)情報(bào)工作. 2017(05)
[8]機(jī)器學(xué)習(xí)與語(yǔ)義規(guī)則融合的微博情感分類(lèi)方法[J]. 姜杰,夏睿.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[9]基于極性轉(zhuǎn)移和LSTM遞歸網(wǎng)絡(luò)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(xué)報(bào). 2015(05)
[10]基于平滑SO-PMI算法的微博情感詞典構(gòu)建方法研究[J]. 杜銳,朱艷輝,田海龍,劉璟,馬進(jìn).  湖南工業(yè)大學(xué)學(xué)報(bào). 2015(05)

碩士論文
[1]基于深度學(xué)習(xí)與自注意力機(jī)制的情感分類(lèi)方法研究[D]. 祝元勃.西安理工大學(xué) 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(xué) 2019
[3]基于注意力機(jī)制及深度學(xué)習(xí)的文本情感分析研究[D]. 梁寧.華北電力大學(xué) 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(xué) 2019
[5]基于LSTM和LDA模型的患者情感分析研究[D]. 花樹(shù)雯.浙江理工大學(xué) 2019
[6]基于樸素貝葉斯的中文文本分類(lèi)及Python實(shí)現(xiàn)[D]. 張航.山東師范大學(xué) 2018
[7]基于擴(kuò)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(xué) 2018
[8]基于LSTM模型的文本情感分析技術(shù)的研究[D]. 趙曉偉.華北電力大學(xué) 2018
[9]短文本用戶評(píng)論的分類(lèi)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 李軍煒.北京郵電大學(xué) 2018
[10]基于機(jī)器學(xué)習(xí)的微博情感分析及應(yīng)用[D]. 張俊東.北京郵電大學(xué) 2017



本文編號(hào)：3475782