采用深度学习的文本序列分析方法及其情感推演研究

发布时间：2021-04-28 11:51

　　文本序列是语义以至语意的抽象描述形式。任何基于自然语言的情感表达（例如电影评论和商品评论）都可抽象为某一类随机或者似随机性的文本序列。因而,在自然语言处理领域,针对文本序列的各种处理以及对蕴含于文本序列中的情感特征析取以及情感类型推断,成为人工智能研究中的重要的、也是极具挑战性的课题。本文从两个侧面开展了文本序列分析和情感语意推断的研究。一是研究如何建立随机文本序列的序列模型,二是研究如何通过卷积神经网络手段分析随机文本序列的情感特征并设计新的方法。本文首先对随机文本序列的各类基础模型（例如n-gram、word2vec、CBOW等等）开展了对比性的分析,然后指出朴素贝叶斯模型、支持向量机模型和最大熵模型是适合文本序列情感具体分析与推断研究的工作模型。然后,本文针对文本序列情感分析的卷积神经网络（Text-CNN）方法进行了较深入的研究。指出Text-CNN方法在处理文本序列上的优点是能够对输入样本进行特征提取以及降维处理,但池化层的池化操作会导致输入样本数据信息的损失,而且无法确定特征输出的长度。为此,本文使用一种通过空间金字塔池化（SPP）的方法来力求解决上述两个问题。此外,利用长... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状及趋势
        1.2.1 基于词典的方法
        1.2.2 基于机器学习的方法
        1.2.3 传统机器学习在文本序列情感分析中的应用
        1.2.4 深度学习在文本序列情感分析中的应用
    1.3 本文的主要研究内容
    1.4 本论文的结构安排
第二章 文本序列分析的基础方法
    2.1 基于传统机器学习的文本情感分析方法
        2.1.1 朴素贝叶斯模型
        2.1.2 支持向量机模型
        2.1.3 最大熵模型
    2.2 统计语言模型
        2.2.1 n-gram模型
        2.2.2 word2vec模型
            2.2.2.1 霍夫曼编码与负采样编码
            2.2.2.2 CBOW模型
            2.2.2.3 Skip-gram模型
    2.3 人工神经网络(ANN)
        2.3.1 人工神经网络简介
        2.3.2 前向传播与后向传播算法
    2.4 卷积神经网络(CNN)
    2.5 文本卷积神经网络(TEXTCNN)
    2.6 本章小结
第三章 空间金字塔池化与长短期记忆神经网络
    3.1 空间金字塔池化(SPP)
    3.2 循环神经网络模型(RNN)
    3.3 LSTM神经网络模型(LSTM-NN)
    3.4 本章小结
第四章 基于文本序列的情感分析实验
    4.1 SPP-CNN-LSTM模型
    4.2 实验设置及结果分析
        4.2.1 实验设置
            4.2.1.1 实验环境
            4.2.1.2 实验数据集
            4.2.1.3 实验评价标准
        4.2.2 实验模型
            4.2.2.1 实验对比设置
            4.2.2.2 超参数设置
            4.2.2.3 词向量训练
        4.2.3 实验结果及分析
    4.3 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献


【参考文献】：
期刊论文
[1]Text Sentiment Analysis Using Frequency-Based Vigorous Features[J]. Abdul Razzaq,Muhammad Asim,Zulqrnain Ali,Salman Qadri,Imran Mumtaz,Dost Muhammad Khan,Qasim Niaz.  中国通信. 2019(12)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)

硕士论文
[1]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015



本文编号：3165431