基于目标依赖和层级神经网络的文本情感分析研究

发布时间：2022-01-01 20:47

　　随着信息技术的飞速发展和网络新时代的来临,现代人的日常生活与网络息息相关,越来越多的人因为电子商务平台和社交网络平台而发生了改变,同时人们每日都会在网络上留下大量的评论,如何有效的分析出情感倾向具有非常重要的意义,情感分析应运而生。情感分析是在挖掘大量互联网文本的基础上对观点持有人的立场和情感进行分析。情感分析的工作主要集中在三个方面,文档级别情感分析、句子级别情感分析和方面级别情感分析。由于文档级别和句子级别的情感分析是一种粗粒度的研究方法,忽略了情感表达往往附着在一个具体目标上的事实,导致情感预测的偏差,因此本文旨在研究目标依赖的情感分析方法。本文主要做了三个改进:首先进行基于层级神经网络的文本语义分类方法研究,通过对文档级文本的层级分析,达到文本语义分类的目的。然后,进行基于层级神经网络的目标依赖情感分析研究,通过学习目标信息来研究情感倾向,证明目标依赖情感分析研究比文本语义研究更有针对性并起到更好的分类效果。最后,进行基于层级神经网络的方面信息融合和位置信息引入的情感分析研究,通过更深入的研究目标方面信息并引入位置编码来进行情感分析。本文所研究的工作主要包括以下内容:第一,进行... 

【文章来源】：山东师范大学山东省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

卷积神经网络结构图

山东师范大学硕士学位论文12顺序对输入信息进行递归的神经网络，包括递归神经网络（RecursiveNeuralNetwork）和循环神经网络(RecurrentNeuralNetwork)。两者的区别在于递归神经网络（RecursiveNeuralNetwork）属于结构递归神经网络，循环神经网络（RecurrentNeuralNetwork）属于时间递归神经网络。结构递归神经网络可以利用相似的结构来递归构造更为复杂的深度网络。递归神经网络的弊端在于无法处理随着递归产生的权重指数级爆炸或消失的问题，以及难以捕捉长期时间关联。由于递归神经网络（RNN）包含循环，所以它可以在处理新输入的同时存储信息。这种存储器使RNN非常适合处理必须考虑事先输入的任务，因此文本、语音、视频等时间序列数据非常适合由RNN来处理。图2-2展开的RNN模型上图展示了一个展开的RNN，可以看到等号后展开的RNN没有循环，信息从一个时间步传递到下一个时间步。2.2.2.1LSTMLongShortTermMemoryNetworks(LSTMs)，是一种特殊的RNN网络。该网络由Hochreiter&Schmidhuber[34]在1997年设计引入，LSTM网络是为了解决长期依赖的问题，随后有许多人对其进行了改进和普及。在标准的RNN中，重复单元的结构比较简单。标准的RNN网络如下图所示：

标准的RNN网络

【参考文献】：
期刊论文
[1]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)
[2]基于多注意力卷积神经网络的特定目标情感分析[J]. 梁斌,刘全,徐进,周倩,章鹏.  计算机研究与发展. 2017(08)
[3]基于极性转移和LSTM递归网络的情感分析[J]. 梁军,柴玉梅,原慧斌,高明磊,昝红英.  中文信息学报. 2015(05)

硕士论文
[1]目标依赖的细粒度文本情感分析研究及应用[D]. 姜梦晓.华东师范大学 2018
[2]基于依存句法的句子级细粒度情感计算[D]. 赵黎光.华南理工大学 2015



本文编号：3562814