發(fā)布時(shí)間：2024-06-08 06:46

　　近年來(lái),隨著互聯(lián)網(wǎng)普及率的上升和網(wǎng)民規(guī)模的持續(xù)增加,基于互聯(lián)網(wǎng)的產(chǎn)業(yè)模式迅速發(fā)展,同時(shí)自媒體的發(fā)展使得每個(gè)人都是信息傳播的主體,越來(lái)越多的人在網(wǎng)絡(luò)上發(fā)表自己對(duì)于產(chǎn)品、服務(wù)等的態(tài)度或者情感,積累了大量含有個(gè)人觀點(diǎn)的在線評(píng)論。這些在線評(píng)論不僅數(shù)量眾多、風(fēng)格多樣,而且都是非結(jié)構(gòu)化的文本數(shù)據(jù),僅靠人工處理要花費(fèi)大量精力和時(shí)間,其他用戶想要了解評(píng)論全局概況是比較困難的。所以,對(duì)在線評(píng)論數(shù)據(jù)進(jìn)行情感信息提取,判斷人們對(duì)產(chǎn)品、服務(wù)等的評(píng)判態(tài)度,確定用戶評(píng)論的側(cè)重點(diǎn)和情感傾向具有十分重要的意義�；�于此背景,本文以用戶在線評(píng)論為研究對(duì)象,對(duì)文本情感分析中的兩個(gè)子任務(wù)—方面提取任務(wù)和特定方面的情感分類(lèi)任務(wù)進(jìn)行研究。首先,針對(duì)方面提取任務(wù),提出了基于兩種嵌入表示和門(mén)控神經(jīng)單元的方面提取方法。該方法在通用領(lǐng)域詞嵌入表示的基礎(chǔ)上,考慮到來(lái)自不同領(lǐng)域的數(shù)據(jù)集其數(shù)據(jù)具有不同的語(yǔ)義表示,從而引入特定領(lǐng)域的詞嵌入表示,有效解決了評(píng)論中語(yǔ)義信息提取不足的問(wèn)題。此外,該模型在門(mén)控神經(jīng)單元的基礎(chǔ)上,進(jìn)一步引入注意力機(jī)制增加了文本中與方面詞相關(guān)的詞語(yǔ)的權(quán)重,從而提高了方面提取的性能。其次,在特定方面情感分類(lèi)任務(wù)中,針對(duì)上下文位...

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 特定方面提取的研究現(xiàn)狀
        1.2.2 情感分類(lèi)的研究現(xiàn)狀
    1.3 論文的研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)理論與技術(shù)
    2.1 文本表示
        2.1.1 獨(dú)熱表示
        2.1.2 分布式表示
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)和變體
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
        2.2.3 門(mén)控循環(huán)單元
    2.3 注意力機(jī)制
    2.4 本章小結(jié)
3 方面提取方法的研究與改進(jìn)
    3.1 問(wèn)題介紹
    3.2 基于雙嵌入和Bi-GRU的方面提取模型
    3.3 實(shí)驗(yàn)
        3.3.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        3.3.3 對(duì)比模型
        3.3.4 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
4 特定方面情感分類(lèi)方法的研究與改進(jìn)
    4.1 問(wèn)題介紹
    4.2 基于層次神經(jīng)網(wǎng)絡(luò)的特定方面情感分類(lèi)模型
        4.2.1 詞語(yǔ)級(jí)LSTM層
        4.2.2 句子級(jí)LSTM層
        4.2.3 注意力權(quán)重計(jì)算層
        4.2.4 輸出層
    4.3 用于特定方面情感分類(lèi)的交互注意力網(wǎng)絡(luò)模型
        4.3.1 輸入層
        4.3.2 Bi-LSTM層
        4.3.3 交互注意力網(wǎng)絡(luò)層
        4.3.4 全連接層
        4.3.5 輸出層
    4.4 實(shí)驗(yàn)
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 實(shí)驗(yàn)參數(shù)與評(píng)價(jià)指標(biāo)
        4.4.3 對(duì)比模型及準(zhǔn)確率結(jié)果分析
        4.4.4 Hi ATT-LSTM模型分析
        4.4.5 LT-T-TR模型分析
        4.4.6 實(shí)例分析
    4.5 本章小結(jié)
總結(jié)與展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：3991616