基于深度学习的用户评论情感分析系统设计与实现

发布时间：2021-03-10 07:58

　　随着网络视频媒体的兴起,各大视频网站购买影视剧版权在其平台上播放,影视剧的播放量直接影响视频平台的收入,如何估计影视剧的市场价值成为一个重要的问题。通过对影视剧的用户评论数据进行情感分析,可以清晰地了解用户对影视剧的喜好和影响用户喜好的因素,辅助购片人了解市场情绪。因此本论文设计并实现了用户评论情感分析系统,购片者通过本系统可以查询影视剧整体的用户情感,指定剧集的用户情感和用户情感趋势变化等情感信息。本论文以影评的情感分类和情感关键词提取为主要研究内容,具体使用深度学习模型来解决文本情感分析问题。论文主要完成了以下3方面的工作:（1）为了提高情感分类的准确率,本论文探究了深度学习中的注意力机制,循环神经网络和卷积神经网络三者的融合方式,提出了一种融合模型ARC及其变型M_ARC,融合模型能够在双向时序的特征上进一步提取n-gram特征。并在公开的情感数据集twitter,yelp和本文构建的影评语料库上进行情感三分类评估,实验论证了本文融合方式的有效性。（2）Attention机制可以学习词在句子中的重要分布,为了提高情感分类的可解释性,本文利用融合模型ARC中的注... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

图２－〗ＣＢＯＷ和Ｓｋｉｐ＿ｇｒａｍ模型??

时增加输入门、输出门、遗忘门三种门来控制之前信息和当前信息的记忆和遗忘??程度，从而使ＬＳＴＭ网络具有了长期记忆功能，避免了标准ＲＮＮ中梯度消失的问??题。ＬＳＴＭ单元结构如图２－３所示，和ＲＮＮ比起来，ＬＳＴＭ隐藏层神经单元更??复杂，多了顶部的记忆细胞状态＆和三个控制门。??？?？?？??，个、，?言、，?１??ｒ?＾?＾?、?ｆ?ａ??ｊ?丨丨丨｜丨丨丨＿＿＿＜§＞■——??今??Ａ?Ｉ?ｃ＾ｒｃ＾ｔ?Ａ??本本申年ｉ?＿?＋??、?Ｊ?ｒｊ、奮?．■?ｊ??？?？?？??图２－３?ＬＳＴＭ单元结构??ＬＳＴＭ中的遗忘门以一定的概率控制是否遗忘上一层的隐藏细胞状态。遗忘??门的输出由序列上一刻的隐藏状态Ｚｌｔｊ和此刻的输入＆决定，具体实现是通过一??个激活函数得到遗忘门的输出／ｔ。激活函数通常是ｓｉｇｍｏｉｄ函数，由于ｓｉｇｍｏｉｄ的??输出广在［０，１］之间，正好代表了遗忘上一层隐藏细胞状态的概率。遗忘门的公式??如２－２所示。??Ａ?＝ａ（Ｗｆｈｔ．ｘ?＋?Ｕｆｘｔ?＋?ｂｆ）?（２－２）??输入门决定什么样的新信息被存放在细胞状态中

加简化实用的门循环单元结构，该结构将输入门和遗忘门进行了合并，也将记忆??单元和输出单元进行了合并。ＧＲＵ模型中只有更新门和重置门：＾这两个门，??ＧＲＵ具体结构如图２－４所示。??／以牛??１?ｆ％??１?Ｉ?Ｏ?１?Ｏ?｜?｜?ｔａｎｈ?｜??ｌ?？?Ｉ?Ｊ??ＯＺＺＺ———／??ＩＫ??图２－４门循环单元结构??更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的??值越大说明前一时刻的状态信息带入越多，更新门Ａ的计算如公式２－９。??ｚｔ?＝?ａ（Ｗｚｘｔ?＋?ｔ／ｚ／ｉｔ－ｉ）?（２－９）??重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略??得越多，重置门４的计算如公式２－１０。??ｒｔ?＝?ｃｒ（Ｗｒｘｔ?＋?Ｕｒｈｔ＾）?（２－１０）??计算新的记忆内容需要使用重置门储存过去相关的信息，过程如公式２－１１。??ｈｔ?＝?ｔａｎｈ（Ｗｘｔ?＋?（２－１１）??计算ＧＲＵ单元的输出／ｉｔ，需要依赖更新门的输出，更新门以门控的形式决??定了需要从新的记忆内容／ｒｔ流入什么新的信息，需要从前一时序的隐藏层输出??保留什么信息


本文编号：3074339