伴隨著電子商務(wù)的飛速發(fā)展,人們越來越傾向于在網(wǎng)絡(luò)上購買商品和發(fā)表個人的評論,網(wǎng)絡(luò)上與商品有關(guān)的評論數(shù)量不斷增多。分析這些商品評論可以幫助商家發(fā)現(xiàn)商品的不足,進而對他們的商品和服務(wù)做出改進,同時也可以幫助消費者更好的挑選出滿足自己需求的商品。傳統(tǒng)的篇章級情感分析能夠分析出評論的整體傾向性,但是一條評論內(nèi)商品的各個方面可能會表現(xiàn)出不同的情感傾向,對于消費者和商家來說掌握商品各個方面的傾向性信息往往比掌握整體的傾向性信息更加重要。細粒度情感分析旨在獲取商品各個方面的情感傾向信息,對于幫助商家和消費者更好的了解商品的信息具有重要的應(yīng)用價值。本文對于細粒度情感分析任務(wù)進行研究,本文所作的主要工作如下:(1)針對基于LSTM的情感分析模型無法有效挖掘特定評價屬性的情感信息的問題,本文考慮了詞語詞性和相對位置信息對挖掘評價屬性的情感信息的影響,提出了一種基于詞性和位置注意力的情感分析模型:PAP-LSTM。該模型利用詞性信息和相對位置信息計算詞語的注意力權(quán)重,充分挖掘不同詞語對評價屬性的影響,判斷不同評價屬性的情感傾向性。實驗結(jié)果表明,提出的PAP-LSTM能夠有效的判斷評價屬性的情感極性。(2)針...

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 基本理論
    2.1 文本預處理技術(shù)
        2.1.1 文本分詞
        2.1.2 文本清洗
        2.1.3 文本向量化
    2.2 深度學習算法介紹
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)CNN
        2.2.3 常用激活函數(shù)介紹
    2.3 注意力機制介紹
    2.4 本章小結(jié)
第3章 基于詞性和位置注意力的情感分析
    3.1 模型設(shè)計思想
    3.2 情感分析模型PAP-LSTM
        3.2.1 PAP-LSTM模型結(jié)構(gòu)
        3.2.2 根據(jù)評價屬性位置和詞語詞性劃分文本
        3.2.3 利用詞性和位置信息計算注意力
    3.3 實驗數(shù)據(jù)處理方法
    3.4 實驗與結(jié)果分析
        3.4.1 實驗數(shù)據(jù)
        3.4.2 實驗環(huán)境與參數(shù)
        3.4.3 實驗評價指標
        3.4.4 對比實驗設(shè)置
        3.4.5 結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于CNN計算注意力的情感分析模型
    4.1 模型設(shè)計思想
    4.2 情感分析模型CNNATT-LSTM
        4.2.1 CNNATT-LSTM模型結(jié)構(gòu)
        4.2.2 基于CNN的注意力計算
    4.3 實驗與結(jié)果分析
        4.3.1 實驗數(shù)據(jù)
        4.3.2 實驗環(huán)境與參數(shù)
        4.3.3 實驗評價指標
        4.3.4 對比實驗設(shè)置
        4.3.5 結(jié)果與分析
        4.3.6 注意力可視化
    4.4 本章小結(jié)
第5章 結(jié)論和展望
    5.1 結(jié)論
    5.2 展望
參考文獻
致謝
作者簡介
攻讀碩士學位期間研究成果



本文編號：3760116