基于深度学习的文本情感分析技术研究

发布时间：2023-10-02 04:57

　　随着Web2.0的快速发展,用户通过社交网络、博客、在线门户网站等产生了大量具有情感的文本信息。这些文本信息通常涉及到社会热点问题、商品服务、产品评价等多个领域,对这些信息进行分析、归纳和推理,将为市场调研、产品或服务评论挖掘、网络舆情发现及预警等带来巨大的社会意义及商业价值。因此,挖掘文本的情感信息,近年来一直是工业界和学术界的研究热点。目前,文本情感分析的方法可以分为基于情感词典的方法、基于传统机器学习的方法以及基于深度学习的方法三类。其中,基于情感词典的方法,针对不同领域需要构建和维护情感词典,成本代价过高;基于传统机器学习的方法通常基于词袋模型(Bag of Words,Bo W),导致具有相同单词组成的不同语义的句子具有相同的向量表示,因此模型不能准确学习文本特征;基于深度学习的方法,可以处理并运用海量的文本数据,实现全自动地捕捉深层次的语义特征,从而实现端到端的文本情感分析任务。然而,现有的深度学习模型在中文文本情感分析任务中基本上都是基于词的网络,即将词作为基本处理单元,该网络主要考虑了词的上下文语境,但忽略了词的内部结构信息,特征提取视角单一,导致模型对文本的特征提取能...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于词典及规则方法的研究现状
        1.2.2 基于传统机器学习方法的研究现状
        1.2.3 基于深度学习方法的研究现状
    1.3 本文主要工作
    1.4 本文组织结构
第2章 文本情感分析技术研究综述
    2.1 传统情感分析技术
        2.1.1 基于情感词典及规则的情感分析方法
        2.1.2 基于传统机器学习的情感分析方法
        2.1.3 传统文本情感分析方法存在的问题
    2.2 文本向量化表示
        2.2.1 基于one-hot编码表示方法
        2.2.2 基于分布表示方法
    2.3 深度学习方法
        2.3.1 人工神经网络
        2.3.2 卷积神经网络
        2.3.3 循环神经网络及长短期记忆网络
        2.3.4 当前基于深度学习的情感分析方法存在的问题
    2.4 本章小结
第3章 基于双通道CNN和 BLSTM的文本情感分析模型研究
    3.1 模型结构
        3.1.1 卷积层
        3.1.2 双向LSTM层
        3.1.3 融合层
    3.2 模型训练
    3.3 实验与分析
        3.3.1 实验环境
        3.3.2 实验数据集
        3.3.3 实验数据集向量化
        3.3.4 数据集的填充和修剪
        3.3.5 超参数设置
        3.3.6 评价指标
        3.3.7 实验结果及分析
    3.4 本章小结
第4章 基于注意力机制的双通道CNN和 BLSTM的文本情感分析模型研究
    4.1 注意力机制
    4.2 结合注意力机制的双通道CNN和双向BLSTM的模型
    4.3 模型训练
    4.4 实验结果与分析
        4.4.1 实验设置
        4.4.2 实验结果对比及分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 进一步工作展望
参考文献
攻读硕士学位期间发表的学术论文及科研工作
致谢



本文编号：3850138