隨著科技不斷的發(fā)展,互聯(lián)網(wǎng)對人們?nèi)粘Ｉ畹挠绊懸苍谌找嬖鰪?人們越來越傾向于在社交網(wǎng)絡上發(fā)布自己對一些事物的看法和意見。輿情分析可以快速判斷國民對重大事件的情感傾向,客觀表達社會輿論導向,有利于特定主管部門和政府機構(gòu)對輿情信息進行及時準確的管理和引導,維護社會的和諧安全。輿情信息大多來自于短文本評論信息,其文本脫離書面語言,結(jié)構(gòu)變得更加簡潔,缺乏規(guī)范性,常常給文本特征提取造成一定的難度。傳統(tǒng)的情感分析方法往往依靠情感詞典和特征提取,隨著互聯(lián)網(wǎng)文化和數(shù)據(jù)量不斷的更新和迭代,需要大量的人工對情感詞典進行更新,否則會造成語義特征丟失,分類不準確。本文在分析研究Attention機制和深度學習相關(guān)技術(shù)的基礎上,提出一種HAN-CLSTM模型對文本的深層次語義特征進行挖掘,能夠準確判斷其情感傾向。本文的主要研究工作包括如下幾部分:（1）根據(jù)CNN和LSTM在進行文本處理時的特點,CNN能夠更好的提取文本局部特征,LSTM可以保留文本歷史信息,有效提取序列的全局特征,為了使提取到的特征語義信息更加全面,將二者結(jié)合形成CLSTM模型。通過采用多組模型參數(shù)進行多次實驗對比,得到具有最優(yōu)參數(shù)的CLSTM... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖２．１基于情感詞典的文本情感分類流程??Ｆｉｇ．?２．１?Ｅｍｏｔｉｏｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｔｅｘｔ?ｂａｓｅｄ?ｏｎ?ｅｍｏｔｉｏｎ?ｄｉｃｔｉｏｎａｒｙ??

?大連海事大學專業(yè)學位碩士學位論文?????．－ＢｂＷ，?｜預處理：?｜特征提�。海�????開始?一＞?—？＊＇＜＊，！丨．文本分一＞?—？特征分類?—》分類結(jié)果?一＾結(jié)＊????丨據(jù)集?卜｜?征?丨?｜?｜????圖２．２基于機器學習的文本情感分類流程??Ｆｉｇ．?２．２?Ｔｅｘｔ?ｅｍｏｔｉｏｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ｍａｃｈｉｎｅ?ｌｅａｒｎｉｎｇ??２．１．１文本預處理??由于網(wǎng)上爬取的文本數(shù)據(jù)有許多無意義的ｈｔｍｌ標簽、無意義的特殊詞語、符號、??表情、ＵＲＬ等。通過文本預處理使文本更加規(guī)范，去除一些噪聲數(shù)據(jù)，將對文本分類有??用的詞語進行保留。文本預處理的處理過程如圖２．３所示。??￣＾￣??丄??讀取文本數(shù)掘??標＾＾否??｜統(tǒng)－＾準編??碼格式??＇?＾＿＿??提取文本字段??數(shù)據(jù)淸洗??分詞／去停用詞／??發(fā)現(xiàn)新詞??結(jié)束??圖２．３文本預處理流程??Ｆｉｇ．?２．３?Ｔｅｘｔ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ?ｐｒｏｃｅｓｓ??由于計算機程序處理文本時需要統(tǒng)一的文本編碼格式。如果文本數(shù)據(jù)集釆用的編碼??格式不統(tǒng)一，則需要轉(zhuǎn)化成統(tǒng)一的編碼格式。常見的文本標準化編碼格式有ＧＢＫ編碼、??ＧＢ１８０３０編碼、Ｕｎｉｃｏｄｅ編碼等。對文本進行統(tǒng)一標準編碼格式后，再對文本進行字段??的解析提齲提取文本字段之后，需要對文本數(shù)據(jù)集進行“數(shù)據(jù)清洗”，對整個文本去??掉一些無意義的符號、錯誤數(shù)據(jù)、ＵＲＬ等噪聲特征。??７??

?大連海事大學專業(yè)學位碩士學位論文???程中避免產(chǎn)生過擬合現(xiàn)象％，即在特定訓練文本數(shù)據(jù)集上的分類性能十分顯著，但是在??訓練數(shù)據(jù)集以外的未知數(shù)據(jù)集的性能十分差。??２．１．３特征分類??特征分類是對已經(jīng)提取的文本特征按照一定的規(guī)則劃分類別，最終得到預期的分類??結(jié)果，盡量減少分類誤差。例如一組已知的集合Ｍ＝｛ｍｕｍｒ＿＿ｍｎ＾照一定的規(guī)則映射到??一組預先給定的集合Ｄｌｄｕｄｒ－ｄｎ｝?（ｎ為分類總數(shù)），這種映射規(guī)則往往是建立一個分??類模型，如圖２．４所示。???＞?分類模型??＾??？？？?？？？??＾?Ｉ?．??圖２．４特征分類映射示意圖??Ｆｉｇ．?２．４?Ｍａｐ?ｏｆ?ｆｅａｔｕｒｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??在機器學習中特征分類模型一般分為有監(jiān)督模型、無監(jiān)督模型。典型的機器學習模??型如圖２．５所示。??機器學習校？??Ｗ監(jiān)督學＞Ｊ模Ｓ?無ｆｆｉ督學習校ｆｆｌ??決裳?Ｉ丨＂丨Ｉ?Ｈ?ｉ?ｉ??ｗ造Ｉ樹－篇?ｎ?％??圖２．５典型機器學習模型??Ｆｉｇ．?２．５?Ｔｙｐｉｃａｌ?ｍａｃｈｉｎｅ?ｌｅａｒｎｉｎｇ?ｍｏｄｅｌ??９??

【參考文獻】：
期刊論文
[1]在重大突發(fā)公共事件中傳統(tǒng)媒體如何應對網(wǎng)絡輿情——以湖北廣電集團抗擊新冠肺炎疫情宣傳為例[J]. 鄒靜.  當代電視. 2020(04)
[2]CNNIC發(fā)布第44次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》[J]. 于朝暉.  網(wǎng)信軍民融合. 2019(09)
[3]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)
[4]基于Word2vec和改進型TF-IDF的卷積神經(jīng)網(wǎng)絡文本分類模型[J]. 王根生,黃學堅.  小型微型計算機系統(tǒng). 2019(05)
[5]基于ANP—灰色模糊的社交網(wǎng)絡輿情風險預警研究——以“重慶公交墜江事件”為例[J]. 陳培友,侯甜甜.  情報科學. 2019(05)
[6]文本情感分析方法研究綜述[J]. 洪巍,李敏.  計算機工程與科學. 2019(04)
[7]基于GloVe詞向量的“技術(shù)——應用”發(fā)現(xiàn)研究[J]. 吉久明,施陳煒,李楠,康健.  現(xiàn)代情報. 2019(04)
[8]中文分詞技術(shù)綜述[J]. 馮俐.  現(xiàn)代計算機(專業(yè)版). 2018(34)
[9]基于熵權(quán)法的網(wǎng)絡輿情預警模糊綜合評價模型研究[J]. 武慧娟,張海濤,王盡暉,孫鴻飛,李澤中.  情報科學. 2018(07)
[10]文本情感分析綜述[J]. 劉爽,趙景秀,楊紅亞,徐冠華.  軟件導刊. 2018(06)

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]基于語義相似度的中文文本分類研究[D]. 李曉軍.西安電子科技大學 2017
[3]基于詞向量的標簽語義推薦算法研究[D]. 黃聰.廣東工業(yè)大學 2015
[4]基于WEB數(shù)據(jù)挖掘技術(shù)的公安輿情監(jiān)控系統(tǒng)的設計與實現(xiàn)[D]. 吳旭東.上海交通大學 2015



本文編號：3350077