基于特征融合的文本情感分析
发布时间：2021-07-17 21:20
互联网技术一日千里,推动社交网络等互联网领域快速的发展,特别重要的是日趋完善的移动端互联网技术,使得用户可以方便地在网上发表自己的观点以及发布自己身边有趣的事情,并且这些大都是文本结构的信息,对文本信息进行情感分析可以帮助企业等组织了解用户的喜好,调整发展的方向以适应市场。本文研究内容针对如何提高文本情感分析的分类效果,从文档级文本情感分析和方面级文本情感分析进行研究,主要内容如下:一方面,文档级文本情感分析,构建混合神经网络层-利用基于注意力机制的胶囊网络（Capsule Network,CapNets）模型和双向门循环单元（Bi-directional Gate Recurrent Unit,BiGRU）模型充分提取局部特征信息和全局特征信息,自适应地感知上下文信息并提取影响文本情感分析的特征信息,将模型学习的特征信息进行融合。接着,两种不同词向量（Word Vector）表示的文本信息分别经过混合神经网络层,并将结果进一步融合,用Softmax对融合结果进行分类。本模型与基准模型比较分析,模型的运行结果说明提出的模型具有可行性。另一方面,方面级文本情感分析,考虑方面项位置信息的影...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．?１?ＣＢＯＷ模型架构??Ｆｉｇ．?２．１?ＣＢＯＷ?Ｍｏｄｅｌ?Ａｒｃｈｉｔｅｃｔｕｒｅ??－１３?－??
?基于特征融合的文本情感分析???多个单词的上下文ＣＢＯＷ模型如图２．２所示。??§?＇?Ｉｎｐｕｔ?ｌａｙｅｒ??：??°?＼＼??：ｖｖｖｗＶＶ??ｏｊ?＼??〇ｉ?＼?ｌｌｉｄｃｌｐｎ?ｌａｙｅｒ?＊ａｙｃｒ??ｆ？??？＾－一〇??ｔ?？－、，筒?？??Ｘ３ｋ?〇?Ｏ??：Ｚ，、、＃?：??：?Ｋ－ｄ呻??－Ｗ＾／?？??ｆ?／?’??２Ｋ?Ｃｘ?＾－ｄｉｍ??图２．?２多个单词上下文的ＣＢＯＷ模型??Ｆｉｇ．?２．２?ＣＢＯＷ?Ｍｏｄｅｌ?ｏｆ?Ｍｕｌｔｉｐｌｅ?Ｗｏｒｄ?Ｃｏｎｔｅｘｔｓ??输入层：由ｗ；领域半径ｒ内的文本单词｛；ｑ，；ｃ２，…，ｘｅ｝组成，单词是用Ｏｎｅ－Ｈｏｔ编码??表示输入，Ｃ为大小，７为词汇表的词汇数。??隐藏层：ｉＶ维的向量，输入向量利用ＦＸ／Ｖ维的权重矩阵Ｗ计算隐藏层。隐藏层的输??出计算／Ｉ是输入向量的加权平均。??ｈ丄妒．（［ｃ?ｘ?）??Ｃ?（“１?＂?（２．６）??输出层：输出单词ｙ，同样是用Ｏｎｅ－Ｈｏｔ编码方式表示，利用一个ｉＶｘＫ维的权重矩??阵ＶＴ计算输出层。输出层每个节点输入ｕ；，其中是输出矩阵Ｍ／＇的第／列。??ｗ?＝（ｖ＇?）?－ｈ??Ｊ?Ｖ?（２．７）??，?、?ｅｘｐ（?ｗ?．）?｜??叉．，广叫…羚卜￣￣??＞?ｅｘｐ?ｗ?．??＾Ｊ＝ｌ?Ｖ?Ｗ?（２．８）??权重矩阵Ｗ与１４／用随机值进行初始化，使用反向传播（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ，?ＢＰ）算法纠??正并更新权重矩阵。??（２）?Ｓｋｉｐ－ｇｒａｍ?模型??Ｓｋｉｐ－ｇｒａｍ模型与ＣＢＯＷ模型过程是相反的，给定中心词ｗ；
大连海事大学硕士学位论文???ｓｅａｔ?ｙｏｕｒ?ｌｏｖｅ?ｕｐｏｎ?ａ?ｐｒｅｃｉｐｉｃｅ?ｂｅｃａｕｓｅ?ｉｔ?ｉｓ?ｈｉｇｈ．”输入“ｕｐｏｎ”，窗口大小为?３，则输出是??｛?“ｓｅａｔ”，?“ｙｏｕｒ”，“ｌｏｖｅ”，“ａ”，“ｐｒｅｃｉｐｉｃｅ”?／‘ｂｅｃａｕｓｅ’’｝，Ｓｋｉｐ－ｇｒａｍ?模型架构如图?２．３?所示。??ＩＩＭＦ？ＵＴ?Ｆ＊ＲＯＪＨＯＴＩ〇Ｍ?ＯＵＴＦ？ＵＸ??我?ｗ（ｌ－２）??Ｗ（ｌ＞?ｉ?＼?＾??Ｖｓ??ＳＫｉｐ＞ｇｒａｍ??图２．?３?Ｓｋｉｍ－ｇｒａｍ模型架构??Ｆｉｇ．?２．３?Ｓｋｉｍ－ｇｒａｍ?Ｍｏｄｅｌ?Ａｒｃｈｉｔｅｃｔｕｒｅ??多个单词的上下文的Ｓｋｉｐ－ｇｒａｍ模型结构如图２．４所示。??〇?Ｏｕｔｐｕｔ?ｌａｙｅｒ??／卜??Ｉｎｐｕｔ?ｌａｙｅｒ?／?Ｗ?＾??？５Ｉ?－?，?ｌ－ｌｉｄｄｅｎ?ｌａｙｅｒ／?ｎ??？?＇?＾?＇?？??＊＊?°?ｈ，?ａ?；＜?ｗ＾－Ｋ?°??〇ｌ?－?＾?ＪＶ－ｄｉｍＳ．?＂?＇＇?＇ｘ：?＾?ｌ〇ｊ??ｒ?ａｉｍ?＼ｗ?ＳＳ??＼ｊ－??Ｏ＊?ｆ＾ｄｉｎｎ??图２．?４多个单词上下文的Ｓｋｉｍ－ｇｒａｍ模型??Ｆｉｇ．?２．４?Ｓｋｉｍ－ｇｒａｍ?Ｍｏｄｅｌ?ｏｆ?Ｍｕｌｔｉｐｌｅ?Ｗｏｒｄ?Ｃｏｎｔｅｘｔｓ??输入层：单词ｗ的Ｏｎｅ－Ｈｏｔ表示＆，??隐藏层：隐藏层的输出／ｉ利用ｙ?ｘ?ｉｖ维的权重矩阵ｗ计算隐藏层。??ｈ?＝?ｘＩＷ?＝?＇．：＝ｖｗ！?（２?９）??输出层：上一层的输出ｙｄ，利用一个况ＸＫ维的权重矩阵１４／＇计算输出层。输??出层单词共享权重，故１＾／＝
【参考文献】：
期刊论文
[1]基于并行混合神经网络模型的短文本情感分析[J]. 陈洁,邵志清,张欢欢,费佳慧. 计算机应用. 2019(08)
[2]基于深度学习的社交网络平台细粒度情感分析[J]. 李阳辉,谢明,易阳. 计算机应用研究. 2017(03)
[3]基于领域情感词典的中文微博情感分析[J]. 肖江,丁星,何荣杰. 电子设计工程. 2015(12)
[4]中文微博情感词典构建方法[J]. 周咏梅,阳爱民,林江豪. 山东大学学报(工学版). 2014(03)
[5]基于HowNet的词汇语义倾向计算[J]. 朱嫣岚,闵锦,周雅倩,黄萱菁,吴立德. 中文信息学报. 2006(01)
本文编号：3288953
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．?１?ＣＢＯＷ模型架构??Ｆｉｇ．?２．１?ＣＢＯＷ?Ｍｏｄｅｌ?Ａｒｃｈｉｔｅｃｔｕｒｅ??－１３?－??
?基于特征融合的文本情感分析???多个单词的上下文ＣＢＯＷ模型如图２．２所示。??§?＇?Ｉｎｐｕｔ?ｌａｙｅｒ??：??°?＼＼??：ｖｖｖｗＶＶ??ｏｊ?＼??〇ｉ?＼?ｌｌｉｄｃｌｐｎ?ｌａｙｅｒ?＊ａｙｃｒ??ｆ？??？＾－一〇??ｔ?？－、，筒?？??Ｘ３ｋ?〇?Ｏ??：Ｚ，、、＃?：??：?Ｋ－ｄ呻??－Ｗ＾／?？??ｆ?／?’??２Ｋ?Ｃｘ?＾－ｄｉｍ??图２．?２多个单词上下文的ＣＢＯＷ模型??Ｆｉｇ．?２．２?ＣＢＯＷ?Ｍｏｄｅｌ?ｏｆ?Ｍｕｌｔｉｐｌｅ?Ｗｏｒｄ?Ｃｏｎｔｅｘｔｓ??输入层：由ｗ；领域半径ｒ内的文本单词｛；ｑ，；ｃ２，…，ｘｅ｝组成，单词是用Ｏｎｅ－Ｈｏｔ编码??表示输入，Ｃ为大小，７为词汇表的词汇数。??隐藏层：ｉＶ维的向量，输入向量利用ＦＸ／Ｖ维的权重矩阵Ｗ计算隐藏层。隐藏层的输??出计算／Ｉ是输入向量的加权平均。??ｈ丄妒．（［ｃ?ｘ?）??Ｃ?（“１?＂?（２．６）??输出层：输出单词ｙ，同样是用Ｏｎｅ－Ｈｏｔ编码方式表示，利用一个ｉＶｘＫ维的权重矩??阵ＶＴ计算输出层。输出层每个节点输入ｕ；，其中是输出矩阵Ｍ／＇的第／列。??ｗ?＝（ｖ＇?）?－ｈ??Ｊ?Ｖ?（２．７）??，?、?ｅｘｐ（?ｗ?．）?｜??叉．，广叫…羚卜￣￣??＞?ｅｘｐ?ｗ?．??＾Ｊ＝ｌ?Ｖ?Ｗ?（２．８）??权重矩阵Ｗ与１４／用随机值进行初始化，使用反向传播（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ，?ＢＰ）算法纠??正并更新权重矩阵。??（２）?Ｓｋｉｐ－ｇｒａｍ?模型??Ｓｋｉｐ－ｇｒａｍ模型与ＣＢＯＷ模型过程是相反的，给定中心词ｗ；
大连海事大学硕士学位论文???ｓｅａｔ?ｙｏｕｒ?ｌｏｖｅ?ｕｐｏｎ?ａ?ｐｒｅｃｉｐｉｃｅ?ｂｅｃａｕｓｅ?ｉｔ?ｉｓ?ｈｉｇｈ．”输入“ｕｐｏｎ”，窗口大小为?３，则输出是??｛?“ｓｅａｔ”，?“ｙｏｕｒ”，“ｌｏｖｅ”，“ａ”，“ｐｒｅｃｉｐｉｃｅ”?／‘ｂｅｃａｕｓｅ’’｝，Ｓｋｉｐ－ｇｒａｍ?模型架构如图?２．３?所示。??ＩＩＭＦ？ＵＴ?Ｆ＊ＲＯＪＨＯＴＩ〇Ｍ?ＯＵＴＦ？ＵＸ??我?ｗ（ｌ－２）??Ｗ（ｌ＞?ｉ?＼?＾??Ｖｓ??ＳＫｉｐ＞ｇｒａｍ??图２．?３?Ｓｋｉｍ－ｇｒａｍ模型架构??Ｆｉｇ．?２．３?Ｓｋｉｍ－ｇｒａｍ?Ｍｏｄｅｌ?Ａｒｃｈｉｔｅｃｔｕｒｅ??多个单词的上下文的Ｓｋｉｐ－ｇｒａｍ模型结构如图２．４所示。??〇?Ｏｕｔｐｕｔ?ｌａｙｅｒ??／卜??Ｉｎｐｕｔ?ｌａｙｅｒ?／?Ｗ?＾??？５Ｉ?－?，?ｌ－ｌｉｄｄｅｎ?ｌａｙｅｒ／?ｎ??？?＇?＾?＇?？??＊＊?°?ｈ，?ａ?；＜?ｗ＾－Ｋ?°??〇ｌ?－?＾?ＪＶ－ｄｉｍＳ．?＂?＇＇?＇ｘ：?＾?ｌ〇ｊ??ｒ?ａｉｍ?＼ｗ?ＳＳ??＼ｊ－??Ｏ＊?ｆ＾ｄｉｎｎ??图２．?４多个单词上下文的Ｓｋｉｍ－ｇｒａｍ模型??Ｆｉｇ．?２．４?Ｓｋｉｍ－ｇｒａｍ?Ｍｏｄｅｌ?ｏｆ?Ｍｕｌｔｉｐｌｅ?Ｗｏｒｄ?Ｃｏｎｔｅｘｔｓ??输入层：单词ｗ的Ｏｎｅ－Ｈｏｔ表示＆，??隐藏层：隐藏层的输出／ｉ利用ｙ?ｘ?ｉｖ维的权重矩阵ｗ计算隐藏层。??ｈ?＝?ｘＩＷ?＝?＇．：＝ｖｗ！?（２?９）??输出层：上一层的输出ｙｄ，利用一个况ＸＫ维的权重矩阵１４／＇计算输出层。输??出层单词共享权重，故１＾／＝
【参考文献】：
期刊论文
[1]基于并行混合神经网络模型的短文本情感分析[J]. 陈洁,邵志清,张欢欢,费佳慧. 计算机应用. 2019(08)
[2]基于深度学习的社交网络平台细粒度情感分析[J]. 李阳辉,谢明,易阳. 计算机应用研究. 2017(03)
[3]基于领域情感词典的中文微博情感分析[J]. 肖江,丁星,何荣杰. 电子设计工程. 2015(12)
[4]中文微博情感词典构建方法[J]. 周咏梅,阳爱民,林江豪. 山东大学学报(工学版). 2014(03)
[5]基于HowNet的词汇语义倾向计算[J]. 朱嫣岚,闵锦,周雅倩,黄萱菁,吴立德. 中文信息学报. 2006(01)
本文编号：3288953
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3288953.html
最近更新
教材专著
