基于LSTM的汽车评论文本分类研究与应用

发布时间：2022-02-24 19:57

　　互联网的快速发展,使社交媒体和在线购物得了迅速发展和普及,同时也使网络上出现了大量与汽车相关的在线评论文本。这些汽车评论中蕴含着大量对企业有价值的信息,采用合适的分类技术对其进行分类,能够为汽车企业挖掘用户需求,监测产品口碑提供十分重要的帮助。但现有关于在线汽车评论文本分类与应用的研究相对较少,特别是缺乏采用深度学习等新技术来对在线汽车评论文本的分类与应用进行探索。对此,本文针对在线汽车评论文本挖掘存在的问题,以及文本分类技术在汽车评论文本分类上面临的挑战,开展了基于长短期记忆模型的汽车评论文本分类与应用的研究,主要完成了以下工作:（1）构建了汽车评论文本分类与应用框架。针对在线汽车评论文本,分析了其对汽车企业的生产销售等各环节的影响,总结了基于在线汽车评论文本挖掘的相关应用,并围绕在线汽车评论文本分类这个核心问题,梳理和构建了基于深度学习方法的汽车评论文本分类与应用框架。（2）提出了基于长短期记忆模型的汽车评论文本分类模型。对于汽车评论文本的主题分类,采用长短期记忆模型来处理,该模型凭借其记忆单元结构,在文本序列分析任务中有着较为理想的效果。而对于汽车评论文本的情感倾向分类,采用情感... 

【文章来源】：合肥工业大学安徽省211工程院校教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 在线评论挖掘研究现状
        1.2.2 文本分类技术研究现状
        1.2.3 研究评述
    1.3 本文主要研究内容与结构安排
第二章 相关研究理论与技术
    2.1 中文分词技术
    2.2 词向量
        2.2.1 词向量训练模型
        2.2.2 情感词向量
    2.3 深度学习理论与方法
        2.3.1 深度学习理论概述
        2.3.2 循环络神经网络与BPTT算法
    2.4 本章小结
第三章 在线汽车评论文本分类与应用框架构建
    3.1 在线汽车评论对车企的影响和相关应用
        3.1.1 在线汽车评论对车企的影响
        3.1.2 基于在线汽车评论的相关应用
    3.2 在线汽车评论文本分类与应用框架
    3.3 在线汽车评论文本分类的关键任务
        3.3.1 评论文本分词
        3.3.2 评论文本特征提取
    3.4 本章小结
第四章 基于LSTM的汽车评论文本分类
    4.1 问题引出
    4.2 基于LSTM的汽车评论文本主题分类模型
        4.2.1 模型的构建
        4.2.2 模型的输入处理
        4.2.3 特征抽取与预测
        4.2.4 模型的训练
    4.3 基于情感词向量和BLSTM的汽车评论文本情感分类模型
        4.3.1 模型的构建
        4.3.2 模型的输入处理
        4.3.3 特征抽取与预测
        4.3.4 模型的训练
    4.4 汽车评论文本主题分类实验
        4.4.1 实验数据
        4.4.2 数据预处理
        4.4.3 实验结果与分析
    4.5 汽车评论文本情感分类实验
        4.5.1 数据集的选择与处理
        4.5.2 对比实验设计
        4.5.3 实验结果与分析
    4.6 本章小结
第五章 汽车评论文本挖掘系统设计与实现
    5.1 汽车评论文本挖掘系统需求分析
        5.1.1 系统目标
        5.1.2 系统需求分析
    5.2 汽车评论文本挖掘系统体系结构
        5.2.1 系统整体架构
        5.2.2 系统功能模块划分
        5.2.3 系统主要功能模块实现流程设计
    5.3 汽车评论文本挖掘系统实现
        5.3.1 汽车评论文本分类模块实现
        5.3.2 汽车评论监测模块实现
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]基于深度学习的问题分类方法研究[J]. 李超,柴玉梅,南晓斐,高明磊.  计算机科学. 2016(12)
[2]基于改进的卷积神经网络的中文情感分类[J]. 张绮琦,张树群,雷兆宜.  计算机工程与应用. 2017(22)
[3]用于微博情感分析的一种情感语义增强的深度学习模型[J]. 何炎祥,孙松涛,牛菲菲,李飞.  计算机学报. 2017(04)
[4]基于长短期记忆多维主题情感倾向性分析模型[J]. 滕飞,郑超美,李文.  计算机应用. 2016(08)
[5]基于SVM的在线商品评论的情感倾向性分析[J]. 肖江,王晓进.  信息技术. 2016(07)
[6]基于对比散度-受限玻尔兹曼机深度学习的产品评论情感分析[J]. 高琰,陈白帆,晁绪耀,毛芳.  计算机应用. 2016(04)
[7]基于word embedding和CNN的情感分类模型[J]. 蔡慧苹,王丽丹,段书凯.  计算机应用研究. 2016(10)
[8]基于稀疏自动编码器的微博情感分类应用研究[J]. 秦胜君.  广西科技大学学报. 2015(03)
[9]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)
[10]基于自动编码器的短文本特征提取及聚类研究[J]. 刘勘,袁蕴英.  北京大学学报(自然科学版). 2015(02)

硕士论文
[1]中文社会媒体环境下汽车质量问题发现方法研究[D]. 王齐林.合肥工业大学 2015
[2]面向汽车在线评论的情感分类研究与应用[D]. 黄鹤.哈尔滨工业大学 2013
[3]汽车行业负面网络口碑识别系统的设计与实现[D]. 黄雅琪.华中科技大学 2013
[4]面向产品领域的细粒度情感分析技术[D]. 王山雨.哈尔滨工业大学 2011
[5]中文分词关键技术研究[D]. 曹卫峰.南京理工大学 2009



本文编号：3643411