基于异构数据和神经网络的舆情分类技术研究
发布时间：2021-08-07 05:44
随着网络的发展,舆情数据的发展趋势呈现出爆炸式增长。网络上充斥着巨量的图片、语音、文字等各种类型的数据信息,这些越来越复杂的网络数据相互结合,构成了一个复杂的数据结构来表达数据的信息。在舆情数据中,通过单一类型的数据（图片、文本、语音等）越来越难以完整的表达数据信息。近年来,神经网络在面对各类数据信息,通过特有的层次结构将数据信息从低层特征空间提取到高层特征空间,在各类数据分类及物体识别等相关应用中取得了重大进展。神经网络在各类数据和各研究领域中展现出的宽泛适用性,为本文的信息融合提供了有力支持。对于一个包含多种类型数据的网络舆情信息,本文提出一种新的舆情分类模型,通过神经网络模型分别去学习不同类型信息的数据特征,对它们的特征融合后进行分类,通过这种方法实现数据信息更好地分类。在实验中,本文分别使用LSTM和CNN神经网络提取文本和图像数据特征,对二者特征融合后进行分类。结果证明,多种类型的数据特征进行融合后再分类,可以更好地实现对网络舆情数据信息的分类,提高了舆情信息分类的准确性。在前人基础上,本文提出的改进主要有以下三点:（1）根据对不同类型数据特性的分析,采用不同的神经网络模型,...
【文章来源】：北方工业大学北京市
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图２－１神经网络模型??７??
其中可视层为输入层，由ｍ个可视节点组成；隐藏层为特征提取层，由ｎ个隐??藏节点组成。在可视节点己知时，可视层中的节点相互独立，隐藏层和可视层中??的节点完全连接，如图２－２所示。??ｈｉ?ｈ２?ｈ３?ｈｎ??Ｖ１?Ｖ２?Ｖ３?Ｖｍ－１?Ｖｍ??图２－２受限玻尔兹曼机模型??受限玻尔兹曼机的训练过程如下，对参数进行随机初始化后，使用Ｇｉｂｂｓ方??法（Ｇｉｂｂｓ采样是基于马尔可夫链蒙特卡洛策略的抽样方法）在可视层和隐藏之间??进行采样。在抽样过程中，通过条件概率不断计算隐藏层和可视层中每个节点的??值，重复这个过程，直到各层节点趋于稳定。??ＲＢＭ的主要用途有两种：一是降维，对数据进行编码然后用监督学习方法??实现分类或者回归方面的应用；二是通过训练ＲＢＭ模型获得层间连接的权值矩??阵和偏移量，使用ＢＰ神经网络完成初始化训练。当隐藏层层数增加时，深度玻??尔兹曼机即在受限玻尔兹曼机的基础上增加隐藏层的层数，深度信念网络即在深??度玻尔兹曼机的基础上将靠近可视层的部分改用贝叶斯信念网络（有向图模型），??而在距离可视层最远的部分改用ＲＢＭ就可以得到
其中可视层为输入层，由ｍ个可视节点组成；隐藏层为特征提取层，由ｎ个隐??藏节点组成。在可视节点己知时，可视层中的节点相互独立，隐藏层和可视层中??的节点完全连接，如图２－２所示。??ｈｉ?ｈ２?ｈ３?ｈｎ??Ｖ１?Ｖ２?Ｖ３?Ｖｍ－１?Ｖｍ??图２－２受限玻尔兹曼机模型??受限玻尔兹曼机的训练过程如下，对参数进行随机初始化后，使用Ｇｉｂｂｓ方??法（Ｇｉｂｂｓ采样是基于马尔可夫链蒙特卡洛策略的抽样方法）在可视层和隐藏之间??进行采样。在抽样过程中，通过条件概率不断计算隐藏层和可视层中每个节点的??值，重复这个过程，直到各层节点趋于稳定。??ＲＢＭ的主要用途有两种：一是降维，对数据进行编码然后用监督学习方法??实现分类或者回归方面的应用；二是通过训练ＲＢＭ模型获得层间连接的权值矩??阵和偏移量，使用ＢＰ神经网络完成初始化训练。当隐藏层层数增加时，深度玻??尔兹曼机即在受限玻尔兹曼机的基础上增加隐藏层的层数，深度信念网络即在深??度玻尔兹曼机的基础上将靠近可视层的部分改用贝叶斯信念网络（有向图模型），??而在距离可视层最远的部分改用ＲＢＭ就可以得到
【参考文献】：
期刊论文
[1]基于深度神经网络的微博文本情感倾向性分析[J]. 钮成明,詹国华,李志华. 计算机系统应用. 2018(11)
[2]基于Word2Vec的中文短文本分类问题研究[J]. 汪静,罗浪,王德强. 计算机系统应用. 2018(05)
[3]第41次《中国互联网络发展状况统计报告》发布[J]. 中国广播. 2018(03)
[4]面向分布式数据流大数据分类的多变量决策树[J]. 张宇,包研科,邵良杉,刘威. 自动化学报. 2018(06)
[5]大数据相关分析综述[J]. 梁吉业,冯晨娇,宋鹏. 计算机学报. 2016(01)
[6]基于SVM和神经网络组合预测模型物流需求预测[J]. 田丽,曹安照,王蒙,周明龙,王静. 重庆工商大学学报(自然科学版). 2012(09)
[7]一种文本处理中的朴素贝叶斯分类器[J]. 李静梅,孙丽华,张巧荣,张春生. 哈尔滨工程大学学报. 2003(01)
[8]关于统计学习理论与支持向量机[J]. 张学工. 自动化学报. 2000(01)
博士论文
[1]基于深度学习的跨模态检索研究[D]. 冯方向.北京邮电大学 2015
[2]基于隐马尔科夫模型的语音合成技术研究[D]. 吴义坚.中国科学技术大学 2006
本文编号：3327197
【文章来源】：北方工业大学北京市
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图２－１神经网络模型??７??
其中可视层为输入层，由ｍ个可视节点组成；隐藏层为特征提取层，由ｎ个隐??藏节点组成。在可视节点己知时，可视层中的节点相互独立，隐藏层和可视层中??的节点完全连接，如图２－２所示。??ｈｉ?ｈ２?ｈ３?ｈｎ??Ｖ１?Ｖ２?Ｖ３?Ｖｍ－１?Ｖｍ??图２－２受限玻尔兹曼机模型??受限玻尔兹曼机的训练过程如下，对参数进行随机初始化后，使用Ｇｉｂｂｓ方??法（Ｇｉｂｂｓ采样是基于马尔可夫链蒙特卡洛策略的抽样方法）在可视层和隐藏之间??进行采样。在抽样过程中，通过条件概率不断计算隐藏层和可视层中每个节点的??值，重复这个过程，直到各层节点趋于稳定。??ＲＢＭ的主要用途有两种：一是降维，对数据进行编码然后用监督学习方法??实现分类或者回归方面的应用；二是通过训练ＲＢＭ模型获得层间连接的权值矩??阵和偏移量，使用ＢＰ神经网络完成初始化训练。当隐藏层层数增加时，深度玻??尔兹曼机即在受限玻尔兹曼机的基础上增加隐藏层的层数，深度信念网络即在深??度玻尔兹曼机的基础上将靠近可视层的部分改用贝叶斯信念网络（有向图模型），??而在距离可视层最远的部分改用ＲＢＭ就可以得到
其中可视层为输入层，由ｍ个可视节点组成；隐藏层为特征提取层，由ｎ个隐??藏节点组成。在可视节点己知时，可视层中的节点相互独立，隐藏层和可视层中??的节点完全连接，如图２－２所示。??ｈｉ?ｈ２?ｈ３?ｈｎ??Ｖ１?Ｖ２?Ｖ３?Ｖｍ－１?Ｖｍ??图２－２受限玻尔兹曼机模型??受限玻尔兹曼机的训练过程如下，对参数进行随机初始化后，使用Ｇｉｂｂｓ方??法（Ｇｉｂｂｓ采样是基于马尔可夫链蒙特卡洛策略的抽样方法）在可视层和隐藏之间??进行采样。在抽样过程中，通过条件概率不断计算隐藏层和可视层中每个节点的??值，重复这个过程，直到各层节点趋于稳定。??ＲＢＭ的主要用途有两种：一是降维，对数据进行编码然后用监督学习方法??实现分类或者回归方面的应用；二是通过训练ＲＢＭ模型获得层间连接的权值矩??阵和偏移量，使用ＢＰ神经网络完成初始化训练。当隐藏层层数增加时，深度玻??尔兹曼机即在受限玻尔兹曼机的基础上增加隐藏层的层数，深度信念网络即在深??度玻尔兹曼机的基础上将靠近可视层的部分改用贝叶斯信念网络（有向图模型），??而在距离可视层最远的部分改用ＲＢＭ就可以得到
【参考文献】：
期刊论文
[1]基于深度神经网络的微博文本情感倾向性分析[J]. 钮成明,詹国华,李志华. 计算机系统应用. 2018(11)
[2]基于Word2Vec的中文短文本分类问题研究[J]. 汪静,罗浪,王德强. 计算机系统应用. 2018(05)
[3]第41次《中国互联网络发展状况统计报告》发布[J]. 中国广播. 2018(03)
[4]面向分布式数据流大数据分类的多变量决策树[J]. 张宇,包研科,邵良杉,刘威. 自动化学报. 2018(06)
[5]大数据相关分析综述[J]. 梁吉业,冯晨娇,宋鹏. 计算机学报. 2016(01)
[6]基于SVM和神经网络组合预测模型物流需求预测[J]. 田丽,曹安照,王蒙,周明龙,王静. 重庆工商大学学报(自然科学版). 2012(09)
[7]一种文本处理中的朴素贝叶斯分类器[J]. 李静梅,孙丽华,张巧荣,张春生. 哈尔滨工程大学学报. 2003(01)
[8]关于统计学习理论与支持向量机[J]. 张学工. 自动化学报. 2000(01)
博士论文
[1]基于深度学习的跨模态检索研究[D]. 冯方向.北京邮电大学 2015
[2]基于隐马尔科夫模型的语音合成技术研究[D]. 吴义坚.中国科学技术大学 2006
本文编号：3327197
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3327197.html
