汽车文本评论的情感极性分析
发布时间：2021-07-10 04:38
近年来,随着互联网的飞速发展,众多消费者在购物时都习惯于通过在线口碑来了解产品的优劣,文本评论作为在线口碑中最常见的形式,其对消费者购买行为起到了非常重要的作用,而文本评论最核心的内容就是评论者所表达出的情感极性。在汽车产品的选购方面,尽管大部分消费者会选择线下交易,但他们在挑选汽车时,很多都会采用同网络购物类似的方式,通过汽车论坛当中的文本评论了解产品的相关信息。本文将现今较为成熟的文本情感极性分析应用到汽车文本评论当中,从而获取用户对汽车产品的多元反馈信息。一方面,通过维度词表和规则对句子级评论进行标签匹配,从而确定该评论所描述的具体属性;另一方面,采用机器学习和深度学习方法（LSTM）来分析评论的情感极性。最后以车系为单位将两者的结果汇总,并通过定义评分指标和可视化的方式进行呈现。该评分结果不仅能够帮助厂商决策人员调整和改进产品,而且对消费者挑选汽车产品有着重要的参考价值。在汽车文本的情感极性分析部分,实验表明:机器学习方法中,词向量均值作特征,支持向量机或逻辑回归作分类器时效果较好,模型在验证集上的准确率可以达到95%以上,而相较于机器学习模型,深度学习模型的效果更佳,其在验证...
【文章来源】：首都经济贸易大学北京市
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
整体方案流程图
首都经长度固定的向量。原理参考了 Bengio 在 200型参数较多、训练缓慢，不适合数据量大的简化，得到了如今的 Word2vec 词向量工具[2时也是自然语言处理的重大突破。个重要模型：CBOW 和 Skip-gram。首先是 C为神经网络结构，包含输入层、投影层、输的词向量，w(t-2)、w(t-1)、w(t+1)、w(t+2)表示的输入层和输出层可知，CBOW 是通过当前
示意图如下图所示，该模型也是一个三层的神ram 是通过当前词 w(t)来预测 w(t)的上下文。输一个恒等投影，节点从输入层到投影层无需经为了从结构上和 CBOW 模型进行类比，这里 。输出层依然是一棵 Huffman 树，与 CBOW参数向量 （j=1,2,3,…,k，k 取决于上下文单词概率。而后利用随机梯度上升法对L进行优化向量进行更新，每处理一个上下文中的词就进
【参考文献】：
期刊论文
[1]面向汽车评论的细粒度情感分析方法研究[J]. 陈炳丰,郝志峰,蔡瑞初,温雯,王丽娟,黄浩,蔡晓凤. 广东工业大学学报. 2017(03)
[2]基于词向量模型的情感分析[J]. 魏广顺,吴开超. 计算机系统应用. 2017(03)
[3]分段卷积神经网络在文本情感分析中的应用[J]. 杜昌顺,黄磊. 计算机工程与科学. 2017(01)
[4]基于极性转移和LSTM递归网络的情感分析[J]. 梁军,柴玉梅,原慧斌,高明磊,昝红英. 中文信息学报. 2015(05)
[5]基于极性词典的中文微博客情感分类[J]. 王勇,吕学强,姬连春,肖诗斌. 计算机应用与软件. 2014(01)
[6]话题型微博语言特点及其情感分析策略研究[J]. 侯敏,滕永林,李雪燕,陈毓麒,郑双美,侯明午,周红照. 语言文字应用. 2013(02)
[7]基于主题情感混合模型的无监督文本情感分析[J]. 孙艳,周学广,付伟. 北京大学学报(自然科学版). 2013(01)
[8]基于机器学习的中文微博情感分类实证研究[J]. 刘志明,刘鲁. 计算机工程与应用. 2012(01)
[9]新闻报道文本的情感倾向性研究[J]. 昝红英,郭明,柴玉梅,吴云芳. 计算机工程. 2010(15)
[10]基于HowNet的词汇语义倾向计算[J]. 朱嫣岚,闵锦,周雅倩,黄萱菁,吴立德. 中文信息学报. 2006(01)
硕士论文
[1]基于汽车品牌评论的情感分类系统研究[D]. 张连彬.合肥工业大学 2017
[2]基于深度神经网络的微博短文本情感分析研究[D]. 张英.中原工学院 2017
[3]汽车评论情感分析系统的设计与实现[D]. 张爱莲.西安电子科技大学 2013
[4]汽车在线口碑对消费者购买行为影响的实证研究[D]. 程小叶.哈尔滨工业大学 2012
[5]基于情感词典的中文微博情感倾向分析研究[D]. 陈晓东.华中科技大学 2012
本文编号：3275203
【文章来源】：首都经济贸易大学北京市
【文章页数】：45 页
【学位级别】：硕士
【部分图文】：
整体方案流程图
首都经长度固定的向量。原理参考了 Bengio 在 200型参数较多、训练缓慢，不适合数据量大的简化，得到了如今的 Word2vec 词向量工具[2时也是自然语言处理的重大突破。个重要模型：CBOW 和 Skip-gram。首先是 C为神经网络结构，包含输入层、投影层、输的词向量，w(t-2)、w(t-1)、w(t+1)、w(t+2)表示的输入层和输出层可知，CBOW 是通过当前
示意图如下图所示，该模型也是一个三层的神ram 是通过当前词 w(t)来预测 w(t)的上下文。输一个恒等投影，节点从输入层到投影层无需经为了从结构上和 CBOW 模型进行类比，这里 。输出层依然是一棵 Huffman 树，与 CBOW参数向量 （j=1,2,3,…,k，k 取决于上下文单词概率。而后利用随机梯度上升法对L进行优化向量进行更新，每处理一个上下文中的词就进
【参考文献】：
期刊论文
[1]面向汽车评论的细粒度情感分析方法研究[J]. 陈炳丰,郝志峰,蔡瑞初,温雯,王丽娟,黄浩,蔡晓凤. 广东工业大学学报. 2017(03)
[2]基于词向量模型的情感分析[J]. 魏广顺,吴开超. 计算机系统应用. 2017(03)
[3]分段卷积神经网络在文本情感分析中的应用[J]. 杜昌顺,黄磊. 计算机工程与科学. 2017(01)
[4]基于极性转移和LSTM递归网络的情感分析[J]. 梁军,柴玉梅,原慧斌,高明磊,昝红英. 中文信息学报. 2015(05)
[5]基于极性词典的中文微博客情感分类[J]. 王勇,吕学强,姬连春,肖诗斌. 计算机应用与软件. 2014(01)
[6]话题型微博语言特点及其情感分析策略研究[J]. 侯敏,滕永林,李雪燕,陈毓麒,郑双美,侯明午,周红照. 语言文字应用. 2013(02)
[7]基于主题情感混合模型的无监督文本情感分析[J]. 孙艳,周学广,付伟. 北京大学学报(自然科学版). 2013(01)
[8]基于机器学习的中文微博情感分类实证研究[J]. 刘志明,刘鲁. 计算机工程与应用. 2012(01)
[9]新闻报道文本的情感倾向性研究[J]. 昝红英,郭明,柴玉梅,吴云芳. 计算机工程. 2010(15)
[10]基于HowNet的词汇语义倾向计算[J]. 朱嫣岚,闵锦,周雅倩,黄萱菁,吴立德. 中文信息学报. 2006(01)
硕士论文
[1]基于汽车品牌评论的情感分类系统研究[D]. 张连彬.合肥工业大学 2017
[2]基于深度神经网络的微博短文本情感分析研究[D]. 张英.中原工学院 2017
[3]汽车评论情感分析系统的设计与实现[D]. 张爱莲.西安电子科技大学 2013
[4]汽车在线口碑对消费者购买行为影响的实证研究[D]. 程小叶.哈尔滨工业大学 2012
[5]基于情感词典的中文微博情感倾向分析研究[D]. 陈晓东.华中科技大学 2012
本文编号：3275203
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/3275203.html
