近年來,隨著網絡社交平臺的迅速發(fā)展,社交媒體也隨之興起。社交媒體每天發(fā)布海量信息,內容主題涉及各個領域。內容中隱含的情感信息對輿情監(jiān)測、民意調查等有巨大的利用價值。然而,目前的情感分析技術主要針對通用文本,在社交媒體場景下存在諸多問題:社交媒體內容日益多元化、專業(yè)化,致使情感分析模型在沒有先驗知識支持下難以充分理解社交媒體信息;傳統情感分析算法分析粒度較粗,難以深度挖掘網民情感產生的原因;社交媒體內容碎片化、海量化的特點日益明顯,傳統情感分析系統缺乏對海量社交媒體內容的有效組織管理,情感分析系統使用者難以快速獲取社交媒體內容實體、情感傾向、情感原因等關鍵信息。針對以上問題,本文使用統一內容標簽(Uniform Content Label,UCL)及知識圖譜解決社交媒體情感分析問題。本文提出一種維基知識圖譜(Wikipedia Knowledge Graph,WIKIKG),并設計了一種維基百科知識抽取算法(Wikipedia Knowledge Extraction Algorithm,WIKI-KEA)。在WIKIKG知識圖譜基礎上,針對社交媒體提出一種基于知識圖譜的情感分析算法(K...

【文章頁數】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
縮略詞表
第一章 緒論
    1.1 研究背景及意義
    1.2 研究目標及內容
    1.3 論文組織結構
第二章 知識圖譜與情感分析相關研究
    2.1 知識圖譜相關研究
    2.2 情感分析相關研究
        2.2.1 文本情感分類
        2.2.2 情感原因發(fā)現
    2.3 深度學習相關技術
        2.3.1 預訓練語言模型
        2.3.2 神經網絡模型
    2.4 本章小結
第三章 基于維基百科的知識圖譜構建方法
    3.1 主要問題和研究思路
    3.2 基于維基百科的知識圖譜構建框架
    3.3 維基百科內容預處理及UCL標引
        3.3.1 維基網頁爬取與數據處理
        3.3.2 維基百科內容的UCL標引
    3.4 基于維基百科的WIKIKG知識圖譜構建
        3.4.1 WIKIKG基礎庫構建
        3.4.2 基于深度學習的知識抽取算法
        3.4.3 WIKIKG實體消歧方法
    3.5 基于社交媒體的WIKIKG實時更新方法
        3.5.1 實體更新
        3.5.2 關系更新
    3.6 本章小結
第四章 基于知識圖譜的社交媒體情感分析算法
    4.1 主要問題與研究思路
    4.2 基于知識圖譜的社交媒體情感分析技術框架
    4.3 基于UCL的社交媒體內容標引
    4.4 基于知識圖譜的詞典構建
        4.4.1 基礎詞典構建
        4.4.2 基于知識圖譜的詞典擴展
    4.5 基于知識圖譜的情感分析算法
        4.5.1 基于深度學習的情感原因發(fā)現模型
        4.5.2 基于句法依存樹的情感句分類算法
    4.6 本章小結
第五章 實驗分析與原型系統實現
    5.1 知識圖譜相關實驗與分析
    5.2 情感分析算法實驗與分析
    5.3 原型系統設計與實現
        5.3.1 原型系統設計
        5.3.2 原型系統實現
    5.4 本章小結
第六章 論文總結與未來工作
    6.1 論文總結
    6.2 未來工作展望
致謝
參考文獻
作者簡介



本文編號：3823292