基于词典与词向量融合的文本情感分析研究

发布时间：2021-11-14 17:40

　　近年来,随着互联网技术的快速发展,各种社交平台以及电商平台的数量急剧增加,用户在互联网上发表意见、表达自己的情感已经成为了人们生活中的经常性行为。利用自然语言技术对互联网中用户发表的各种文本进行分析并从中挖掘出所包含的情感倾向是掌握社会现状及事件动态和获取商家售后信息的重要途径。因此研究文本情感分析方法具有重要的商业价值和社会意义。目前已有的传统的文本情感分析研究方法还存在许多不足:现存的情感词典完备度较低,每个领域所拥有的情感词不同,通用情感词典难以达到理想的效果;传统的词向量技术根据上下文学习获得,包含了语义语法信息,但是缺乏了情感信息,不能很好的解决情感分析任务。针对以上问题,本文利用构建的领域情感词典将情感信息融入到词向量中结合卷积神经网络思想对在线评论文本情感分析进行研究。本文涉及的主要工作有以下几个方面:（1）针对现有的情感词典完备性以及领域适应性较差的问题,整合现有情感词典,同时利用改进的SO-PMI算法以及手机评论语料库构建一个手机评论领域的领域情感词典。（2）针对传统词向量的学习是通过训练学习语言模型而得到的产物,词的分布式表达中仅包含了语义和语法信息,缺乏了情感信息... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

部分手机用户正面评论

图 4.6 部分手机用户负面评论本文使用 Python 语言来进行实验，其中运用到 Numpy、jieba、gensim、sklearn等类库。Numpy 支持大量的维度数组与矩阵运算。Jieba 是一款很好用的中文文本分词工具。gensim 用于从文档中自动提取语义主题，sklearn 对常用的机器学习方法进行了封装。

【参考文献】：
期刊论文
[1]基于情感词典方法的情感倾向性分析[J]. 杨奎,段琼瑾.  计算机时代. 2017(03)
[2]基于SVM多特征融合的微博情感多级分类研究[J]. 杨爽,陈芬.  数据分析与知识发现. 2017(02)
[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]词汇语义表示研究综述[J]. 袁书寒,向阳.  中文信息学报. 2016(05)
[5]基于word2vec的互联网商品评论情感倾向研究[J]. 黄仁,张卫.  计算机科学. 2016(S1)
[6]基于HNC语境框架和情感词典的文本情感倾向分析[J]. 张克亮,黄金柱,曹蓉,李峰.  山东大学学报(理学版). 2016(07)
[7]基于情感词典与语义规则的微博情感分析[J]. 陈国兰.  情报探索. 2016(02)
[8]情感词典自动构建方法综述[J]. 王科,夏睿.  自动化学报. 2016(04)
[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]一种新闻评论情感词典的构建方法[J]. 周咏梅,阳爱民,杨佳能.  计算机科学. 2014(08)

硕士论文
[1]网络评论文本的细粒度情感分析研究[D]. 蔡肖红.山东师范大学 2017
[2]微博数据挖掘可视化系统的设计与实现[D]. 王婧雅.吉林大学 2017
[3]文本倾向性分析中的评价对象抽取与消歧研究[D]. 王沛.哈尔滨工业大学 2013



本文编号：3495067