發(fā)布時(shí)間：2024-07-05 02:39

　　隨著網(wǎng)絡(luò)和互聯(lián)網(wǎng)設(shè)備的快速發(fā)展,人們?cè)L問互聯(lián)網(wǎng)信息的方式正在從被動(dòng)接受轉(zhuǎn)變?yōu)橹鲃?dòng)創(chuàng)建和分享。網(wǎng)絡(luò)的開放性、便捷性使得越來越多的網(wǎng)絡(luò)用戶選擇在網(wǎng)絡(luò)上發(fā)布一些信息,或表達(dá)看法,或僅僅宣泄一種情緒。這些信息在輿論的形成和傳播中起著重要作用,也存在一定的潛在安全威脅。因此,如何在大量網(wǎng)絡(luò)文本中挖掘潛在主題及對(duì)人們所發(fā)表文本的情感傾向進(jìn)行分析是一個(gè)很有研究?jī)r(jià)值的課題。本文將針對(duì)網(wǎng)絡(luò)文本進(jìn)行以下研究:1)針對(duì)目前主題識(shí)別模型對(duì)一些帶有敏感傾向性的詞匯或領(lǐng)域詞匯識(shí)別率不高、生成的主題詞不準(zhǔn)確等問題,本文提出了一種基于Key word weighted-LDA模型的網(wǎng)絡(luò)文本信息主題識(shí)別模型。該模型將構(gòu)建的關(guān)鍵詞詞表嵌入到LDA主題模型中,以改善LDA模型對(duì)敏感傾向詞匯或領(lǐng)域詞匯的語(yǔ)義理解和識(shí)別能力,提升生成的主題詞質(zhì)量,另一方面也可以提高主題詞與相關(guān)主題的關(guān)聯(lián)度,發(fā)現(xiàn)更多細(xì)粒度主題詞。實(shí)驗(yàn)結(jié)果表明,Key word weighted-LDA模型可以有效提升關(guān)鍵詞的識(shí)別數(shù)量和質(zhì)量,提升主題識(shí)別能力。2)網(wǎng)絡(luò)文本情感分析研究。本文的情感分析任務(wù)在特定主題下進(jìn)行,基于此,本文提出了一種融合主題語(yǔ)義信息的文本...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１本文主要研究?jī)?nèi)容??可以概括為以下兩個(gè)方面：??１）對(duì)主題識(shí)別技術(shù)進(jìn)行深入研究，提出了基于ＫｅｙＷｏｒｄｗｅｉｇｈｔｅｄ－ＬＤＡ模型的網(wǎng)絡(luò)??

１．３本文主要研究?jī)?nèi)容??本文主要研宄對(duì)象是網(wǎng)絡(luò)新聞文本，對(duì)網(wǎng)絡(luò)新聞文本中所包含的隱含主題進(jìn)行識(shí)別，??進(jìn)而對(duì)主題下的評(píng)論文本進(jìn)行情感傾向性分析。本文總體研究?jī)?nèi)容如圖１－１所示。??｜?．?Ｉ?：??主題識(shí)別?ｉ?ｉ?情感分析??１?１??｜?＼?＾?＼?Ｉ?／?＼?！??｜?Ｉ....

圖２－２?ＬＤＡ的圖形模型表示??圖中的框線表示內(nèi)部是可重復(fù)的過程，外部的框線表示文檔，內(nèi)部的框線表示文檔??

ＣＢＯＷ模型示意圖?Ｓｋｉｐ－Ｇｒａｍ模型示意圖??圖２－１?ＣＢＯＷ和Ｓｋｉｐ－Ｇｒａｍ模型示意圖??ＣＢＯＷ模型和Ｓｋｉｐ－ｇｒａｍ模型都包括輸入層、投影層和輸出層。ＣＢＯＷ模型是基于上??下文的分布對(duì)目標(biāo)詞進(jìn)行預(yù)測(cè)，對(duì)于詞ｗ（Ａ：），其上下文為其前后的各（個(gè)特征詞：??ｃｏ....

圖２－３包含四個(gè)層的ＣＮＮ模型??

＠?ｒ－Ｑ－－｜???桃人］?丨以［ｉ，ｊ??圖２－２?ＬＤＡ的圖形模型表示??圖中的框線表示內(nèi)部是可重復(fù)的過程，外部的框線表示文檔，內(nèi)部的框線表示文檔??中主題和特征詞的重復(fù)選擇過程。??２．３深度學(xué)習(xí)相關(guān)理論??深度學(xué)習(xí)己成為一種強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)，其可以學(xué)習(xí)數(shù)據(jù)的多層表示或....

圖２－４基礎(chǔ)ＲＮＮ模型??

行卷積?輸出??圖２－３包含四個(gè)層的ＣＮＮ模型??每層的表７ＪＫ為：??輸入層（Ｉｎｐｕｔｌａｙｅｒ）：長(zhǎng)度為ｎ的句子表不為：??ｘｂ，?＝?Ｘ】十ｘ２十…十ｘｎ?（２－５）??其中，ｘ１：？表示詞：＾至七的連接，ｊｃ，．?表示第ｉ個(gè)詞的詞向量，詞向量維度為ｄ，??十表示連接運(yùn)算....

本文編號(hào)：4000915