基于双向LSTM的动态情感词典构建方法研究及文本情感分析

发布时间：2021-03-06 15:51

　　随着社会媒体的快速发展,微博在社交媒体中占据了很大分量,大部分微博表达了网民对某个事件、某个人或某产品的情感倾向性。利用情感分析技术帮助分析文本的情感,可以更好的快速整理和分析这些信息,从而获取舆论倾向性。为了能够更好地研究文本情感分析,构建一个高质量的情感词典是一个关键的环节,一个高质量的情感词典可以有效地帮助提高情感分析的质量。本文提出了构建动态情感词典的方法,在构建的情感词典基础上进行情感分析,通过循环神经网络和注意力机制来进行文本情感打分,根据文本情感分值判别文本情感极性及极性强弱。主要研究内容包括:（1）构建动态情感词典。首先改进CBOW模型为ECBOW模型,在原CBOW模型下增添部分网络结构得到情感特征,然后根据一个哈夫曼语义二叉树来描述语义依存关系,利用双向LSTM神经网络对每个词的二叉语义依存路径信息进行特征学习,得到二叉语义路径特征,最后加上词汇到中心词的距离特征以及中心词信息特征作为词汇的总体特征输入到biLSTM神经网络中,进行有监督的biLSTM神经网络训练来得到动态情感词典。（2）文本情感分类。利用biGRU作为深度网络分析基础,本文提出了基于语义注意力机制的... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

文本情感打分模型图

图 2.1 单个神经元结构图由许多神经元组成的，天然具备存储经验先介绍单个神经元知识。神经元（如图 2单元，具有三个基本元素：（1）突触，每入信号jx 乘于突出权值kjw 得到的值输入到kjw 与输入信号jx 的乘积的和。这个操作构，用来把神经元输出的信号限制在一定的范id 函数和 tanh 函数。一个 s 形状的，是一个递增函数，在线性和公式（2.1）所示。1exp()1()avv id 函数的倾斜参数，其取值为 0 到 1 的连

2 相关基础理论及背景知识为 tanh 函数，也被称作双曲正切函数-1,1]，tanh 在特征相差明显时的效果很征，与 sigmoid 函数不同的是，其均值好。zzzzeeeez tanh( ) 神经元连接而成的，神经网络主要分层前馈网络、循环神经网络、递归神中，神经元以层的形式组织。最简单从源节点输入层直接到神经元输出层

【参考文献】：
期刊论文
[1]基于双向LSTM的动态情感词典构建方法研究[J]. 李永帅,王黎明,柴玉梅,刘箴.  小型微型计算机系统. 2019(03)
[2]基于注意力机制的句子排序方法[J]. 栾克鑫,杜新凯,孙承杰,刘秉权,王晓龙.  中文信息学报. 2018(01)
[3]基于双向LSTM网络的不确定和否定作用范围识别[J]. 钱忠,李培峰,周国栋,朱巧明.  软件学报. 2018(08)
[4]一种用于基于方面情感分析的深度分层网络模型[J]. 刘全,梁斌,徐进,周倩.  计算机学报. 2018(12)
[5]基于卷积神经网络和注意力模型的文本情感分析[J]. 冯兴杰,张志伟,史金钏.  计算机应用研究. 2018(05)
[6]大规模情感词典的构建及其在情感分类中的应用[J]. 赵妍妍,秦兵,石秋慧,刘挺.  中文信息学报. 2017(02)
[7]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)
[8]产品评论中领域情感词典的构建[J]. 郗亚辉.  中文信息学报. 2016(05)
[9]情感词典自动构建方法综述[J]. 王科,夏睿.  自动化学报. 2016(04)
[10]领域相关的汉语情感词典扩展[J]. 宋佳颖,贺宇,付国宏.  中文信息学报. 2015(06)



本文编号：3067372