多维度用户评论情感分析系统的研究与实现

发布时间：2021-11-26 04:58

　　互联网的蓬勃发展促进了社交网络和电子商务的发展,致使互联网产生了大量关于用户评论信息的数据,这些文本数据中包含着许多有意义和价值的信息。情感分析任务主要是辨别给定文本的情感极性,从而进一步提取和分析文本中所包含的信息。维度级的情感分类作为情感分类的细化任务,主要目的是从文本中提取特定维度的情感极性,该任务近年来已经取得了良好的研究进展。本文设计出一套多维度用户评论情感分析系统,适用于电商平台的用户和商家,帮助其直观、快速、精准地获取商品信息并进行决策。本系统的最核心部分为多维度用户评论情感分析模型,本文通过对维度级情感分析方法的研究,设计出一套准确高效的多维度情感分析模型。综合考虑了维度级情感分析现有研究的优势和缺陷,维度级情感分类任务的关键可归纳为三个因素:维度词语义信息、维度词和它们上下文文本间的语义相关性,以及相对于维度词的上下文词语的位置信息。因此,针对维度级情感分类,本文提出了一种新的算法——AELA-DLSTMs（基于注意力机制和位置信息的DLSTMs模型,Attention-Enabled and Location-Aware DLSTMs）来进行维度级情感分析。AELA... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

图２－７标准循环神经网络的重复模块结构示意图??

２－７所示。??Ｇ??图２－８?ＬＳＴＭ门结构示意图??ＬＳＴＭ中提出了一个新的结构叫做记忆细胞（ｍｅｍｏｒｙ?ｃｅｌｌ），每一个时刻细??胞都会有一个对应的状态，用来存储当前时刻的信息。ＬＳＴＭ通过三个门结构（输??入门，忘记门和输出门）来保护和控制细胞状态。门结构是一种选择式通过信息??的方法。如图２－８所示，门结构包含两部分，神经网络层ｓｉｇｍｏｉｄ和点乘操作。??Ｓｉｇｍｏｉｄ函数的输出范围是［０，１］，用来描述每个部分有多少信息允许通过。数值??０代表不许任何信息通过，数值１表示着允许任意信息通过。从各个神经元中舍??弃的信息量取决于忘记门，输入门决定细胞状态中什么值将会被更新。基于细胞??状态

?（２－１４）??其中代表输入门，／ｔ表示忘记门，代表输出门，办为细胞状态的候选值，??ｃｔ为更新后的ｔ时刻的细胞状态，心为ｔ时刻隐藏状态的值。如图２－９所示，为上??述所说的ＬＳＴＭ重复模块的内部结构。??２．３．２．４?门控循环单兀（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）??上节介绍了?ＬＳＴＭ，ＧＲＵ作为ＬＳＴＭ的变种，既保持了?ＬＳＴＭ的效果又简??化了模型的结构，所以ＧＲＵ也得到了广泛的应用［６（）］。ＧＲＵ利用一个更新门将??ＬＳＴＭ中的输入门和忘记门组合在一起。同样的，ＧＲＵ还混合了隐藏状态和细??胞状态。??ＧＲＵ模型结构如图２－１０所示，ＧＲＵ包括更新门ｚｔ和重置门＾。更新门的值??的大小决定了前一时刻进入当前时刻的信息量，更新门的值越大，进入当前时刻??的量越大。重置门的值的大小决定了前一状态的信息被当前状态忽略的程度，重??置门的值越大，表示被忽略得越少。ＧＲＵ计算公式如式（２－１５）到式（２－１９）所??示：??ｒｔ?＝?ａ（Ｗｒ?■?ｘｔ］）?（２－１５）??ｚｔ?＝?ａ（Ｗｚ?■?［ｒｔ?＊?ｈｔ＿！；?ｘｔ］）?（２－１６）??ｈｔ?＝?ｔａｎｈ（Ｗｊ［?■?＋?ｂ〇）?（２－１７）??＝?（１?—?ｚｔ）?＊?ｈｔ＿ｘ?＋?ｚｔ＊ｈｔ?（２－１８）??ｙｔ?＝?ａ（Ｗ０?■?ｈｔ）?（２－１９）??＾?＂ｔ??｝

【参考文献】：
期刊论文
[1]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：3519444