基于深度学习的情感分类与评价对象判别

发布时间：2021-05-18 02:42

　　随着时代的发展,对海量信息的有效和高效处理成为了现代社会必须解决的首要问题。在此种环境下所催生出的自然语言处理（NLP）技术就是面向文本信息的一个解决手段。情感分类、评价对象判别是NLP领域研究的热点。本文致力于实现更高效的能适用于情感分类和评价对象判别任务的深度学习模型,通过对传统的神经网络模型进行相应的改进,使得在相应的NLP问题上能够有更好的效果。本文主要包含两个研究内容:结合decoder结构的LSTM-CNN神经网络的情感分类模型:作为自然语言处理的一大研究方向的情感分类就是分析和评判一个语句它所包含的情感色彩。常用的这个情感倾向可以是简单的只有正向情感和负向情感,也可以是具体的多种情感,比如,难过,崩溃、喜悦、惊恐等。情感分类对于社会舆情反应以及产品的用户回馈都具有重大的意义。常见的长短期记忆神经网络（LSTM）模型用于情感分类时,往往需要更长时间的训练,而多层卷积神经网络（CNN）运用于情感分类时,很难学习到文本的上下文信息。本文所提出的模型充分利用多层LSTM-CNN网络,其中LSTM可以“记住”序列上下文信息,CNN通过卷积核的作用可以很好地学习文本的局部信息。该模型... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 选题背景与意义
    1.2 研究现状
        1.2.1 情感分析的研究现状
        1.2.2 细粒度情感分析研究现状
    1.3 论文研究内容与结构
        1.3.1 研究内容
        1.3.2 论文结构
第2章 相关知识
    2.1 NLP中常用的神经网络模型
        2.1.1 长短期记忆模型LSTM
        2.1.2 卷积神经网络
        2.1.3 编码-解码(Encoder-Decoder)模型
        2.1.4 注意力(attention )机制
    2.2 主题模型
        2.2.1 LDA(latent dirichlet allocation)
        2.2.2 BTM模(biterm topic model)
    2.3 本章小结
第3章 结合decoder结构的LSTM-CNN神经网络的情感分析
    3.1 联合的LSTM-CNN神经网络
    3.2 Encoder-Decoder结构
    3.3 Advanced LSTM-CNN model
    3.4 模型的目标函数
    3.5 实验内容
        3.5.1 基于Twitter数据集的正负向情感二分类实验
        3.5.2 基于Twitter数据集的positive,negative, neutral情感三分类实验
    3.6 本章小结
第4章 基于ABAE模型的弱监督评价类别提取
    4.1 Attention机制在CNN中的运用
        4.1.1 普通的CNN模型
        4.1.2 ATT-CNN模型
    4.2 ABAE深度学习模型
    4.3 卡方检验
    4.4 实验验证
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间的研究成果


【参考文献】：
期刊论文
[1]基于特征本体的微博产品评论情感分析[J]. 唐晓波,兰玉婷.  图书情报工作. 2016(16)
[2]深度学习技术下的中文微博情感的分析与研究[J]. 刘艳梅.  软件. 2016(05)
[3]基于情感分析的企业产品级竞争对手识别研究——以用户评论为数据源[J]. 肖璐,陈果,刘继云.  图书情报工作. 2016(01)
[4]产品评论中的隐式属性抽取研究[J]. 张莉,许鑫.  现代图书情报技术. 2015(12)
[5]商品隐式评价对象提取的方法研究[J]. 邱云飞,倪学峰,邵良杉.  计算机工程与应用. 2015(19)
[6]面向细粒度意见挖掘的情感本体树及自动构建[J]. 郭冲,王振宇.  中文信息学报. 2013(05)
[7]中文微博情感分析研究综述[J]. 周胜臣,瞿文婷,石英子,施询之,孙韵辰.  计算机应用与软件. 2013(03)

硕士论文
[1]基于产品特征的领域情感本体构建及应用研究[D]. 聂欣慧.首都师范大学 2014



本文编号：3192955