基于深度学习的电商评论细粒度情感分析研究

发布时间：2021-09-19 00:39

　　随着互联网的蓬勃发展及智能终端的普及,网购已经成为人们生活中一种重要的购物方式。用户在各种电商购平台上发表评论、表达情感,从而产生并累积了大量亟待处理的商品评论文本。利用自然语言处理相关技术对这些评论文本进行分析以挖掘其中所包含的情感倾向是商家获取消费者反馈信息的重要途径。因此,研究针对电商评论的文本情感分析具有重要意义。根据情感分析对象粒度的大小可将情感分析分为四种级别,粒度由小到大分别是词语级、句子级、段落级、篇章级。电商评论通常包含对商品不同属性的情感倾向,因此更适合词汇级别的情感分析。词汇级别的情感分析即细粒度情感分析。本文以电商评论语料为基础,围绕细粒度情感分析涉及的评价对象抽取任务和关联评价对象情感分析任务展开研究。具体地,本文研究内容如下:（1）研究评价对象的抽取方法。本文提出了一种基于双通道卷积神经网络与双向长短期记忆网络的评价对象抽取模型CNN-BiLSTM-CRF。该模型分为三个模块,分别为双通道嵌入模块、编码模块、判别序列模块。双通道嵌入模块将评论文本转化成词向量表示并融入词性特征。编码模块使用CNN与BiLSTM两种神经网络进行编码,两种网络不同的捕获特征方式充... 

【文章来源】：昆明理工大学云南省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

前馈神经网络语言模型

昆明理工大学专业学位硕士学位论文10整体结构如图2.1所示：图2.1前馈神经网络语言模型该模型利用最大对数似然概率作为语言模型的目标函数。在该模型中，词汇表中的每个单词与分布式单词特征向量相关联，单词序列的联合概率函数由序列中这些单词的特征向量的函数表示。该模型可以同时学习单词特征向量和该概率函数的参数。这种神经网络方法可以解决稀疏问题，并且在困惑方面也已经证明与n-gram模型相比可以很好地推广。然而，此方法主要缺点是训练和测试时间非常长。学者Mikolov在上述基础上提出了word2vec相关模型[35]，且克服了相关缺点。Word2vec有两种训练模型，分别为CBOW和Skip-gram模型.图2.2word2vec两种模型结构如图2.2中所示，CBOW模型将每个单词的上下文作为输入，并尝试预测与上下文对应的单词，而Skip-gram模型则完全相反，该模型通过中心词预测预测上下

第二章相关理论基础及模型11文。2.3深度学习模型深度学习是一类机器学习算法，其使用多层非线性单元进行特征提取和转换，学习多层次的抽象特征[36]。本节介绍目前常用的深度学习网络，包括卷积神经网络（ConvolutionalNeuralNetworks,CNN）、循环神经网络（RecurrentNeuralNetwork,RNN）及长短期记忆网络（LongShort-TermMemory，LSTM）。2.3.1卷积神经网络卷积神经网络（CNN）是一种经典的深度神经网络，最常用于视觉图像分析。CNN也是一种具有深度神经网络结构的前馈神经网络模型，是深度学习代表模型之一[37]，其使用多层感知器的变体设计，且具有共享权重架构和平移不变性特征。卷积神经网络由输入层和输出层以及多个隐藏层构成。典型的卷积神经网络通常包含卷积层（ConvolutionalLayer）、池化层（PoolingLayer）和全连接层（FullyConnectedLayer）。（1）卷积层在卷积神经网络中，卷积层与输入层相连接。卷积层的特点在于其通过以卷积核卷积方式获取输入矩阵的特征信息，这样获取特征信息有很大的优势，那就是能够极大地减少参数的数量，进而降低训练模型的难度。卷积操作的公式如下所示：1(b)ijjillljijiMXfwX(2.9)其中，Xjl表示卷积操作产生的特征图（Fearturemap），Mj表示所有卷积核，wjl表示卷积核权重矩阵，b表示偏置，f表示模型使用的激活函数。一个简单直观的卷积操作过程例子如图2.3所示：图2.3卷积操作示

【参考文献】：
期刊论文
[1]利用反向传播算法合理分配缓冲区[J]. 吴援明,高科,李乐民.  电子与信息学报. 2006(08)
[2]一种改进的反向传播神经网络算法[J]. 邱浩,王道波,张焕春.  应用科学学报. 2004(03)
[3]统计语言模型综述[J]. 邢永康,马少平.  计算机科学. 2003(09)

硕士论文
[1]基于深度学习的关联目标情感分析研究[D]. 蔡林森.华东师范大学 2018
[2]基于深度学习的微博文本情感分析研究[D]. 宋梦姣.南京大学 2018
[3]基于深度学习的命名实体识别研究[D]. 霍振朗.华南理工大学 2018
[4]基于神经网络的英文序列标注方法研究[D]. 彭宗徽.北京邮电大学 2018
[5]基于深度神经网络的方面级情感分析算法研究[D]. 王毅.北京邮电大学 2018
[6]面向餐馆评论的情感分析关键技术研究[D]. 张婷婷.哈尔滨工业大学 2017



本文编号：3400652