基于深度学习的电商产品评论情感分析研究

发布时间：2020-05-08 05:02

【摘要】：电子商务平台上商品评论文本呈现爆炸性增长,利用自然语言处理和机器学习等技术自动、高效地对电商平台的文本进行情感分析具有十分重要的意义。目前主流的情感分析方法包括基于规则的方法、基于机器学习的方法和基于深度学习的方法。随着大数据技术的发展以及语言形式的多样化,深度学习已经成为自然语言处理领域的研究热点,并在情感分析领域取得重大突破,因此基于深度学习的情感分析方法被深入研究。主要研究内容如下:1.针对现有跨领域情感分类方法中文本表示特征忽略了重要单词的情感信息,且在迁移过程中存在负迁移的问题,提出一种基于注意力机制的卷积-双向长短期记忆(AC-BiLSTM)模型的知识迁移方法。首先,利用低维连续的词向量对文本进行向量化表示;其次,采用卷积操作获取局部上下文特征之后,通过双向长短期记忆网络充分考虑特征之间的长期依赖关系;然后,通过引入注意力机制考虑不同词汇对文本的贡献程度,同时为了避免迁移过程中出现负迁移现象,在目标函数中引入正则项约束;最后,将在源领域产品评论训练得到的模型参数迁移到目标领域产品评论中,并在少量目标领域有标注数据上进行微调。实验结果表明,AC-BiLSTM模型可以有效地提高跨领域情感分类性能。2.针对传统深度记忆网络进行方面级情感分析忽略词序信息和上下文依赖信息的问题,提出一种基于卷积-双向最小门单元记忆网络(CNN-BiMGU-MemNet)的方面级情感分析方法。首先,将上下文用Word2Vec词向量模型表示,把高维原数据映射成低维连续的词向量;然后,将词向量输入到卷积记忆网络和双向最小门单元记忆网络中分别获取文本中单词的顺序信息和上下文长期依赖信息;最后,结合卷积记忆网络和双向最小门单元记忆网络的输出向量表示,并将其输入到softmax层进行情感分类。实验结果表明,CNN-BiMGU-MemNet模型在准确率和宏平均F1值上均优于其他对比模型,能够有效地提高分类性能。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F713.36;TP391.1;TP18

【相似文献】