隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,諸如微博、QQ、微信等社交平臺(tái),京東、淘寶等網(wǎng)購(gòu)平臺(tái),可以說(shuō)互聯(lián)網(wǎng)的產(chǎn)物層出不窮。而在日常生活中,人們?nèi)諠u頻繁的上網(wǎng)行為,通過(guò)這些平臺(tái)發(fā)布的評(píng)論形成了散布在互聯(lián)網(wǎng)中數(shù)量級(jí)巨大的短文本數(shù)據(jù)。挖掘這些短文本數(shù)據(jù)中蘊(yùn)含的豐富情感觀點(diǎn)以及態(tài)度,對(duì)于政府部門(mén)進(jìn)行輿情監(jiān)控、賣(mài)家制定營(yíng)銷(xiāo)策略以及買(mǎi)家做出購(gòu)買(mǎi)決定等具有重要且明確地指導(dǎo)意義。短文本數(shù)據(jù)往往呈現(xiàn)出篇幅較短,上下文特征稀疏以及語(yǔ)言表達(dá)口語(yǔ)化等特點(diǎn),這為短文本數(shù)據(jù)挖掘帶來(lái)了巨大的挑戰(zhàn)。近年來(lái),條件隨機(jī)場(chǎng)與深度學(xué)習(xí)模型在圖像處理、文本挖掘以及個(gè)性化推薦系統(tǒng)等領(lǐng)域的應(yīng)用越來(lái)越廣泛。條件隨機(jī)場(chǎng)是一種基于條件概率分布的模型,克服了標(biāo)注數(shù)據(jù)時(shí)常見(jiàn)的標(biāo)記偏差問(wèn)題,可以有效地提取評(píng)論文本中包含的評(píng)價(jià)對(duì)象等相關(guān)信息,而深度學(xué)習(xí)模型可以在弱監(jiān)督下,主動(dòng)學(xué)習(xí)評(píng)論文本中包含的情感傾向信息,這些優(yōu)勢(shì)決定了兩種模型在短文本挖掘領(lǐng)域受到的關(guān)注度越來(lái)越高。由于評(píng)論文本體現(xiàn)出的情感傾向,與文本中的評(píng)價(jià)對(duì)象有著密切的聯(lián)系,本文在條件隨機(jī)場(chǎng)與深度學(xué)習(xí)模型的基礎(chǔ)上,分別提出了針對(duì)于短文本評(píng)價(jià)對(duì)象識(shí)別與情感分析兩個(gè)方面的短文本挖掘方法。本文的工作主要有:(...

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-4預(yù)處理過(guò)程所需的LTP組件Figure3-4LTPComponentsrequiredforpreprocessing如上述例句：“手機(jī)外觀很好看，發(fā)貨很快

圖3-4預(yù)處理過(guò)程所需的LTP組件Figure3-4LTPComponentsrequiredforpreprocessing如上述例句：“手機(jī)外觀很好看，發(fā)貨很快�！�。1.分詞結(jié)果：“手機(jī)外觀很好看發(fā)貨很快”。2.詞性標(biāo)注結(jié)果：“手機(jī)/n外觀/....

圖3-5實(shí)驗(yàn)中所需以及生成的文件Figure3-5Documentsneededandgeneratedintheexperiment

合適的特征模板；實(shí)驗(yàn)二，在實(shí)驗(yàn)一選定較合適的特征模板的基礎(chǔ)上，首先驗(yàn)證語(yǔ)義特征在識(shí)別評(píng)價(jià)對(duì)象任務(wù)中的有效性；其次，在其他特征組合的基礎(chǔ)上引入語(yǔ)義特征，目的是為了驗(yàn)證引入語(yǔ)義特征是否能夠改善識(shí)別的效率。本文實(shí)現(xiàn)條件隨機(jī)場(chǎng)模型使用的是C++環(huán)境中的外部集成工具CRF++_0.58....

圖4-3生成詞向量各參數(shù)設(shè)置Figure4-3TheParameterSettingsofGeneratingWordVector

圖4-2詞向量生成原理圖Figure4-2TheSchematicDiagramofWordVectorGeneration本文通過(guò)Python中的gensim模塊實(shí)現(xiàn)Word2vec，將文本中的詞語(yǔ)訓(xùn)練生成詞向量。由于實(shí)驗(yàn)主要針對(duì)的是評(píng)論短文本，短....

圖4-5實(shí)驗(yàn)中Attention層的python程序?qū)崿F(xiàn)Figure4-5PythonProgramImplementationofAttentionLayerinExperiments

圖4-5實(shí)驗(yàn)中Attention層的python程序?qū)崿F(xiàn)Figure4-5PythonProgramImplementationofAttentionLayerinExperiments4.1.4Softmax層Softmax層是模型的最后一個(gè)模....

本文編號(hào)：3988013