基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)中文情感分類算法及應用
發(fā)布時間:2024-01-30 10:32
文本情感分析(Sentiment Anaysis),也稱為觀點挖掘(Opinion Mining),是指使用自然語言處理、文本挖掘以及計算機語言學等方法對帶有情感色彩的主觀性文本進行信息的分析、處理、歸納和推理的過程。常見的進行文本情感分析的方法有基于情感詞典的方法、基于機器學習的方法和基于深度學習模型的方法;情感詞典的構(gòu)建需要耗費許多設(shè)計和先驗知識,機器學習也依賴高質(zhì)量的特征構(gòu)造和選取,深度學習方法的優(yōu)勢就在于強大的抽象特征提取能力,然而,復雜的模型結(jié)構(gòu)隨之而來的是繁復的參數(shù)調(diào)節(jié),針對深度學習尤其是神經(jīng)網(wǎng)絡(luò)中參數(shù)大小難以調(diào)節(jié)的問題,本文研究一種基于粒子群算法(Particle Swarm Optimization)的神經(jīng)網(wǎng)絡(luò)中文文本情感分類方法,主要的研究內(nèi)容如下:1)由于不同語言間的特征差異,中文文本相對于英文文本在自然語言處理任務(wù)中更加復雜和困難,本文提出了一種基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)中文情感分類模型(PSO-Attention-LSTM),模型使用循環(huán)神經(jīng)網(wǎng)絡(luò)中的長短期記憶網(wǎng)絡(luò)(Long Short Term Memory Network)疊加注意力機制(Attention M...
【文章頁數(shù)】:69 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.3 本文主要研究內(nèi)容
1.4 論文章節(jié)安排
2 相關(guān)理論基礎(chǔ)
2.1 深度學習基礎(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 長短期記憶網(wǎng)絡(luò)
2.2 注意力機制
2.2.1 編碼器-解碼器
2.2.2 注意力機制
2.2.3 自注意力機制
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)中文情感分類算法
3.1 算法概述
3.2 文本預處理
3.2.1 文本清洗及分詞
3.2.2 文本長度標準化
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 分類層
3.4 粒子群算法
3.5 實驗結(jié)果及分析
3.5.1 實驗環(huán)境
3.5.2 實驗數(shù)據(jù)及參數(shù)設(shè)置
3.5.3 實驗結(jié)果及分析
3.6 本章小結(jié)
4 基于PSO-Attention-LSTM模型的愛課程評論文本分析應用
4.1 總體框架
4.2 評論數(shù)據(jù)的獲取
4.3 課程評論情感極性分析
4.3.1 國家精品課程評論分析及可視化
4.3.2 各類別課程評論分析及可視化
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
攻讀碩士學位期間主要研究成果
本文編號:3889986
【文章頁數(shù)】:69 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.3 本文主要研究內(nèi)容
1.4 論文章節(jié)安排
2 相關(guān)理論基礎(chǔ)
2.1 深度學習基礎(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 長短期記憶網(wǎng)絡(luò)
2.2 注意力機制
2.2.1 編碼器-解碼器
2.2.2 注意力機制
2.2.3 自注意力機制
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)中文情感分類算法
3.1 算法概述
3.2 文本預處理
3.2.1 文本清洗及分詞
3.2.2 文本長度標準化
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 分類層
3.4 粒子群算法
3.5 實驗結(jié)果及分析
3.5.1 實驗環(huán)境
3.5.2 實驗數(shù)據(jù)及參數(shù)設(shè)置
3.5.3 實驗結(jié)果及分析
3.6 本章小結(jié)
4 基于PSO-Attention-LSTM模型的愛課程評論文本分析應用
4.1 總體框架
4.2 評論數(shù)據(jù)的獲取
4.3 課程評論情感極性分析
4.3.1 國家精品課程評論分析及可視化
4.3.2 各類別課程評論分析及可視化
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
攻讀碩士學位期間主要研究成果
本文編號:3889986
本文鏈接:http://www.lk138.cn/shoufeilunwen/xixikjs/3889986.html
最近更新
教材專著