基于在线评论文本分析的汽车产品选择方法研究
发布时间：2020-07-24 14:02
【摘要】：近年来互联网的快速发展,使得在线购物和社交媒体迅速普及,用户在网上产生大量的关于汽车产品等方面的文本评论。这些用户数据中具有大量有价值的信息,包含了用户在使用过程中对该产品的体验满意情况,采用合适的文本分析技术进行情感分类,能够从评论文本中了解用户诉求。目前关于汽车在线评论情感分类及产品选择的研究相对较少,尤其是缺乏采用深度学习等技术对该问题的探索和改进。对此,本文针对汽车在线评论情感分类和产品选择方法存在的问题,开展了基于门限递归单元的情感分类和产品选择的研究。使用深度学习方法能够更充分高效地提取评论文本中的用户体验情感信息,帮助企业提升产品性能,让消费者更全面了解产品的使用情况,具有重要的理论意义和现实意义。主要完成了以下工作:(1)完成了汽车在线评论文本的多通道建模。针对在线评论文本的特征,以及其在情感分类方面存在的问题,构建了词向量通道、词性向量通道和词情感信息通道,并完成了多通道融合。(2)提出了多通道建模的F-BiGRU情感分类模型。为提高汽车在线评论文本情感分类的准确率,在门限递归循环神经网络的基础上进行模型改进,该模型通过特征强化层对在线评论文本提取更充分的语义信息,并使用双向门限递归单元进行文本语义提取,完成文本情感分类任务。使用该模型,更适应于互联网评论文本随意性、口语性等特点,并和传统机器学习模型及卷积神经网络等模型进行对比实验,本文模型提升了情感分类的准确率,能更好完成情感分类任务。(3)提出了在线评论情感值排序的汽车产品选择方法。通过多通道建模的FBiGRU模型对评论文本进行情感值计算,得到不同车型各个属性的情感值并进行可视化。使用TOPSIS法对各属性情感值进行计算,得到各候选汽车的综合情感值,给消费者提升参考,使消费者更全面了解汽车的用户体验情况,帮助消费者更好的进行汽车产品选择。
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F724.6;F426.471
【图文】：
图 2.1 神经网络语言模型Fig 2.1 Neural Network Language Model，该模型利用词特征矩阵进行词嵌入操作，词特征矩阵C 为R长度，M 为所需要的词向量的长度。得到上下文词的词向量分布上下文词进行拼接，得到上下文映射向量，再经过全连接层 so向量，其中第i 位表示该词为iV 的概率分布。神经网络语言模型间的顺序和影响关系，具有较好的语义性质。然而该模型训练较需要计算到词表中每一个词的概率分布，词表长度常常在十万非常耗时，相关研究者对该模型进行了简化，其中 word2vec 就的一个,包括 CBOW 模型和 SkipGram 模型[13,45]。这里主要介绍 w。 模型通过输入 2 c 个上下文词向量(当前词前面 c 个词和后面 c词。其模型结构如图 2.2 所示：
图 2.2 CBOW 模型Fig 2.2 CBOW modelCBOW 模型一般为三层网络，包括输入层，投影层，输出层。相比于神经网语言模型，CBOW 作了较多改进。输入层包含一个滑动窗口，窗口大小为 2c，表当前词w的上下文数量，其输入为该 2c个词的词向量表示。在映射层，直接对下文词对应位置求均值，得到m维向量，不需要进行矩阵乘法，而采用线性操作简化了运算。而对于输出为词表长度的概率分布向量，word2vec 采用霍夫曼树替了输出层的映射。而霍夫曼树是通过文本数据集预先构造的，高频词更靠近根点。这样就避免了所有词参与 softmax 计算，大大缩短了计算量。2.2 传统文本情感分类方法2.2.1 基于词典和规则的情感分类方法词作为语言的基本语素，本身带有一定量的语义信息，在情感分析上，有些似于形容词等包含了较强的情感信息[46]，抽取这些情感词对文本情感分类等起
word2vec 词向量表示，然后对文本进行逐层抽象，提取出文本的深层语义，在分类效果上，也明显高于传统机器学习方法，所以，基于深度学习的情感分类方法已成为当前研究的热点问题，并渐渐被广泛应用在实际问题中。2.3.1 卷积神经网络卷积神经网络是一类特殊结构的前馈神经网络，是深度学习的经典模型之一。卷积神经网络是根据动物视觉信息处理过程，来仿生出来的深层网络结构，可以抽象出更深层次的特征信息，且其端到端的处理方式，不需要对数据进行额外的特征工程要求。它具有平移不变性特优秀性质，在图像识别领域现出惊人的效果，目前，也被使用在自然语言处理问题中，表现出很好的结果[55]。卷积神经网络发展至今，有很多种变型，包括最经典的 LeNet[56]，和进阶版并掀起深度学习热潮的 AlexNet，还有较深层的 VggNet 系列，以及带残差跳跃的ResNet 等。AlexNet 等改进模型一般是在 LeNet 基础上为了提高准确率和泛化性能，降低过拟合现象而产生的进化版本。LeNet 网络结构包括输入层、卷积层、池化层、全连接层和输出层，其网络结构如图 2.5 所示：
本文编号：2768940
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F724.6;F426.471
【图文】：
图 2.1 神经网络语言模型Fig 2.1 Neural Network Language Model，该模型利用词特征矩阵进行词嵌入操作，词特征矩阵C 为R长度，M 为所需要的词向量的长度。得到上下文词的词向量分布上下文词进行拼接，得到上下文映射向量，再经过全连接层 so向量，其中第i 位表示该词为iV 的概率分布。神经网络语言模型间的顺序和影响关系，具有较好的语义性质。然而该模型训练较需要计算到词表中每一个词的概率分布，词表长度常常在十万非常耗时，相关研究者对该模型进行了简化，其中 word2vec 就的一个,包括 CBOW 模型和 SkipGram 模型[13,45]。这里主要介绍 w。 模型通过输入 2 c 个上下文词向量(当前词前面 c 个词和后面 c词。其模型结构如图 2.2 所示：
图 2.2 CBOW 模型Fig 2.2 CBOW modelCBOW 模型一般为三层网络，包括输入层，投影层，输出层。相比于神经网语言模型，CBOW 作了较多改进。输入层包含一个滑动窗口，窗口大小为 2c，表当前词w的上下文数量，其输入为该 2c个词的词向量表示。在映射层，直接对下文词对应位置求均值，得到m维向量，不需要进行矩阵乘法，而采用线性操作简化了运算。而对于输出为词表长度的概率分布向量，word2vec 采用霍夫曼树替了输出层的映射。而霍夫曼树是通过文本数据集预先构造的，高频词更靠近根点。这样就避免了所有词参与 softmax 计算，大大缩短了计算量。2.2 传统文本情感分类方法2.2.1 基于词典和规则的情感分类方法词作为语言的基本语素，本身带有一定量的语义信息，在情感分析上，有些似于形容词等包含了较强的情感信息[46]，抽取这些情感词对文本情感分类等起
word2vec 词向量表示，然后对文本进行逐层抽象，提取出文本的深层语义，在分类效果上，也明显高于传统机器学习方法，所以，基于深度学习的情感分类方法已成为当前研究的热点问题，并渐渐被广泛应用在实际问题中。2.3.1 卷积神经网络卷积神经网络是一类特殊结构的前馈神经网络，是深度学习的经典模型之一。卷积神经网络是根据动物视觉信息处理过程，来仿生出来的深层网络结构，可以抽象出更深层次的特征信息，且其端到端的处理方式，不需要对数据进行额外的特征工程要求。它具有平移不变性特优秀性质，在图像识别领域现出惊人的效果，目前，也被使用在自然语言处理问题中，表现出很好的结果[55]。卷积神经网络发展至今，有很多种变型，包括最经典的 LeNet[56]，和进阶版并掀起深度学习热潮的 AlexNet，还有较深层的 VggNet 系列，以及带残差跳跃的ResNet 等。AlexNet 等改进模型一般是在 LeNet 基础上为了提高准确率和泛化性能，降低过拟合现象而产生的进化版本。LeNet 网络结构包括输入层、卷积层、池化层、全连接层和输出层，其网络结构如图 2.5 所示：
【参考文献】
相关期刊论文 前3条
1 李勇敢;周学广;孙艳;张焕国;;中文微博情感分析研究与实现[J];软件学报;2017年12期
2 李婷婷;姬东鸿;;基于SVM和CRF多特征组合的微博情感分析[J];计算机应用研究;2015年04期
3 李实;叶强;李一军;Rob Law;;中文网络客户评论的产品特征挖掘方法研究[J];管理科学学报;2009年02期
本文编号：2768940
本文链接：https://www.wllwen.com/jingjilunwen/gongyejingjilunwen/2768940.html
