發(fā)布時(shí)間：2024-01-30 10:32

　　文本情感分析(Sentiment Anaysis),也稱為觀點(diǎn)挖掘(Opinion Mining),是指使用自然語(yǔ)言處理、文本挖掘以及計(jì)算機(jī)語(yǔ)言學(xué)等方法對(duì)帶有情感色彩的主觀性文本進(jìn)行信息的分析、處理、歸納和推理的過(guò)程。常見(jiàn)的進(jìn)行文本情感分析的方法有基于情感詞典的方法、基于機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)模型的方法;情感詞典的構(gòu)建需要耗費(fèi)許多設(shè)計(jì)和先驗(yàn)知識(shí),機(jī)器學(xué)習(xí)也依賴高質(zhì)量的特征構(gòu)造和選取,深度學(xué)習(xí)方法的優(yōu)勢(shì)就在于強(qiáng)大的抽象特征提取能力,然而,復(fù)雜的模型結(jié)構(gòu)隨之而來(lái)的是繁復(fù)的參數(shù)調(diào)節(jié),針對(duì)深度學(xué)習(xí)尤其是神經(jīng)網(wǎng)絡(luò)中參數(shù)大小難以調(diào)節(jié)的問(wèn)題,本文研究一種基于粒子群算法(Particle Swarm Optimization)的神經(jīng)網(wǎng)絡(luò)中文文本情感分類(lèi)方法,主要的研究?jī)?nèi)容如下:1)由于不同語(yǔ)言間的特征差異,中文文本相對(duì)于英文文本在自然語(yǔ)言處理任務(wù)中更加復(fù)雜和困難,本文提出了一種基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)中文情感分類(lèi)模型(PSO-Attention-LSTM),模型使用循環(huán)神經(jīng)網(wǎng)絡(luò)中的長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short Term Memory Network)疊加注意力機(jī)制(Attention M...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 論文章節(jié)安排
2 相關(guān)理論基礎(chǔ)
    2.1 深度學(xué)習(xí)基礎(chǔ)
        2.1.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.1.3 長(zhǎng)短期記憶網(wǎng)絡(luò)
    2.2 注意力機(jī)制
        2.2.1 編碼器-解碼器
        2.2.2 注意力機(jī)制
        2.2.3 自注意力機(jī)制
    2.3 粒子群算法原理
    2.4 本章小結(jié)
3 基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)中文情感分類(lèi)算法
    3.1 算法概述
    3.2 文本預(yù)處理
        3.2.1 文本清洗及分詞
        3.2.2 文本長(zhǎng)度標(biāo)準(zhǔn)化
        3.2.3 詞向量表示
    3.3 神經(jīng)網(wǎng)絡(luò)模型
        3.3.1 輸入層
        3.3.2 網(wǎng)絡(luò)層
        3.3.3 分類(lèi)層
    3.4 粒子群算法
    3.5 實(shí)驗(yàn)結(jié)果及分析
        3.5.1 實(shí)驗(yàn)環(huán)境
        3.5.2 實(shí)驗(yàn)數(shù)據(jù)及參數(shù)設(shè)置
        3.5.3 實(shí)驗(yàn)結(jié)果及分析
    3.6 本章小結(jié)
4 基于PSO-Attention-LSTM模型的愛(ài)課程評(píng)論文本分析應(yīng)用
    4.1 總體框架
    4.2 評(píng)論數(shù)據(jù)的獲取
    4.3 課程評(píng)論情感極性分析
        4.3.1 國(guó)家精品課程評(píng)論分析及可視化
        4.3.2 各類(lèi)別課程評(píng)論分析及可視化
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要研究成果



本文編號(hào)：3889986