基于深度学习的电商评论情感分析

发布时间：2021-07-28 12:10

　　电子商务与传统商品交易相比提供了在线评论功能,这在电商平台竞争激烈的背景下,对于消费者的选择产生至关重要的影响。如何在海量的评论中准确挖掘消费者情感,并据此改进产品质量、销售策略、客户服务具有重要的商业价值和研究意义。本文采用深度学习的方法针对电商评论数据反映的情感倾向展开研究。结合长短期记忆神经网络LSTM、注意力机制、BERT和卷积神经网络CNN等算法,提高情感分析的准确度。本文的主要工作如下:（1）针对传统神经网络Long Short-Term Memory（LSTM）在粗粒度情感分析中理解语义不全面,情感信息的捕捉不准确的问题,提出了一种融合注意力机制（Attention）与双向LSTM网络相结合的BiLSTM-Attention网络模型,利用长短期记忆神经网络对于时序序列结构的分析,充分挖掘句子中的潜在信息,有效克服长期遗忘的问题。BiLSTM模型通过对语言文本的双向分析,对比普通的LSTM模型能够更好的捕获句子前后的信息。注意力机制的使用能够对句子中不同特征分配权重,对于句子中倾向于用户情感的特征信息进行关注,有效改善识别效率。实验结果表明,在京东爬取的小米手机评论数据集中... 

【文章来源】：河北经贸大学河北省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

CBOW模型结构图

Skip-gram模型结构图

CBOW模型训练图

【参考文献】：
期刊论文
[1]基于特征选择的M-SVM中文文本分类[J]. 刘永芬,程丽,陈志安.  软件. 2019(09)
[2]基于PCA-SVM算法的酒店评论文本情感分析研究[J]. 王大伟,周志玮,曹红根.  现代计算机. 2019(21)
[3]基于评论数据的酒店服务质量的细粒度分析[J]. 孙长伟,任宗来,杨俊杰,庞坤亮.  计算机应用与软件. 2019(07)
[4]基于LS-SO算法的情感文本分类方法[J]. 姚艳秋,郑雅雯,吕妍欣.  吉林大学学报(理学版). 2019(02)
[5]基于句法路径的中文评论细粒度情感分析[J]. 胡征,陈尔希,曾献辉,蔡一.  信息技术. 2018(09)
[6]基于极性转移和双向LSTM的文本情感分析[J]. 陈葛恒.  信息技术. 2018(02)
[7]基于词向量技术和混合神经网络的情感分析[J]. 胡朝举,赵晓伟.  计算机应用研究. 2018(12)
[8]基于主动学习的SVM维吾尔语情感分析研究[J]. 李响,吐尔根·依布拉音,卡哈尔江·阿比的热西提,买合木提·买买提.  新疆大学学报(自然科学版). 2015(04)
[9]基于情感分析技术的股票研究报告分类[J]. 彭敏,汪清,黄济民,周李,胡鑫汇.  武汉大学学报(理学版). 2015(02)
[10]基于情感字典与连词结合的中文文本情感分类[J]. 刘玉娇,琚生根,伍少梅,苏翀.  四川大学学报(自然科学版). 2015(01)

硕士论文
[1]面向自然语言处理的注意力机制研究[D]. 李岚欣.北京邮电大学 2019
[2]基于微博的药物评论细粒度情感分析[D]. 敦欣卉.吉林大学 2018
[3]金融微博细粒度情感分析研究与应用[D]. 吴雁.华南理工大学 2018
[4]基于LSTM的语义关系分类研究[D]. 胡新辰.哈尔滨工业大学 2015
[5]基于深度学习的短文本情感倾向性研究[D]. 李然.北京理工大学 2015



本文编号：3307893