基于深度学习的微博文本情感分析研究与应用

发布时间：2023-12-24 18:51

　　随着科技的提高和互联网技术的发展,微博等社交媒体已经成为中国主要的信息分享平台之一。微博文本大多带有强烈的感情色彩,对微博文本展开情感分析研究,一方面有利于有关政府部门进行舆情调控和企业进行危机公关,另一方面还有利于用户快速获取各种信息。因此,对微博文本展开情感分析研究是具有社会意义和商业价值的。由于中文微博文本存在多样性、隐晦性和上下文信息缺失等问题,传统情感分析模型无法很好地处理微博文本的特征,因此本文围绕此情况展开研究,主要研究工作可分为以下几个部分:(1)研究并提出了一种中文微博文本情感分析模型,用于解决传统情感分析模型语义理解不足和特征提取存在局限性问题。该模型首先在词嵌入层使用Ro BERTa-wwm-ext模型将文本转换为动态词向量;其次在特征提取层借助Bi LSTM模型对词嵌入层输出的词向量进行深层次的情感特征提取;然后在多头注意力机制层突出关键词的语义特征和捕获输入序列的局部特征;最后在输出层联接提取到的所有情感语义特征完成文本情感极性分类,输出文本的情感极性类别。(2)对上述提出的情感分析模型进行了一系列实验。在消融实验中,验证了Ro BERTa-wwm-ext模型...

【文章页数】：62 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 基于情感词典的情感分析方法
        1.2.2 基于机器学习的情感分析方法
        1.2.3 基于深度学习的情感分析方法
    1.3 本文研究内容
    1.4 本文组织结构
第2章 相关理论及技术
    2.1 文本情感分析理论
    2.2 文本情感分析相关技术
        2.2.1 数据清洗
        2.2.2 中文分词
        2.2.3 去除停用词
        2.2.4 文本向量表示方法
    2.3 深度学习技术
        2.3.1 卷积神经网络
        2.3.2 长短期记忆网络
        2.3.3 双向长短期记忆网络
    2.4 本章小结
第3章 中文微博文本情感分析模型
    3.1 引言
    3.2 RoBERTa-wwm-ext 预训练模型
        3.2.1 RoBERTa
        3.2.2 BERT-wwm
    3.3 Multi-Head Attention 机制
    3.4 基于多头注意力的 RoBERTa-wwm-ext-Bi LSTM 模型构建
        3.4.1 词嵌入层
        3.4.2 BiLSTM 特征提取层
        3.4.3 多头注意力机制层
        3.4.4 输出层
    3.5 本章小结
第4章 实验设计与分析
    4.1 实验数据来源与处理
    4.2 实验设置
    4.3 实验评价指标
    4.4 实验结果分析
        4.4.1 消融实验与分析
        4.4.2 对比实验与分析
        4.4.3 参数调优实验与分析
    4.5 本章小结
第5章 品牌话题情感趋势监测系统的设计与实现
    5.1 系统需求分析
    5.2 系统架构设计
    5.3 系统功能模块设计与实现
        5.3.1 用户登录模块
        5.3.2 系统管理模块
        5.3.3 情感分析模块
        5.3.4 数据可视化模块
    5.4 系统数据库设计
    5.5 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 未来展望
参考文献



本文编号：3875105