餐饮评论的文本情感分析研究及应用

发布时间：2022-04-23 12:25

　　由于互联网的高速发展,人们的生活逐渐变得智能化,用餐习惯也从线下转到了线上。在日常消费之后,用户习惯去线上平台留下评论以表达本次消费的感受。日积月累之下,这便形成了庞大的消费评论数据集。利用大数据手段,合理地对这些情感数据进行分析与挖掘,除了能够有效快速地了解商家的优缺点,同时也能够把握用户的喜好和消费需求,并以此来对产品进行改善。传统的情感分析主要基于机器学习模型和规则匹配的方法。基于规则的方法是指在某个领域针对每一类情感,都需要构建该情感的情感词典,最终预测的效果很大程度上取决于每一类情感所包含的情感词是否完善与准确。并且对于不同领域构建一个通用型的情感词典比较困难。另一方面,基于传统的机器学习方法需要提取文本浅层的语法和语义特征,比如词性信息和实体信息,由于不能提取文本上下文的语义信息,因此模型的效果一般。基于此,本文主要是利用深度学习算法,将文本表征为词向量,考虑到文本的上下文信息和语义、语法等信息,运用深度学习算法来进行情感分析。本文的主要工作内容如下:（1）本文提出了一个基于Seq2Seq情感分类模型,首先在输入上预训练了一个可用于餐饮评论的ELMo的语言模型,能够生成包含... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题的研究背景及意义
    1.2 国内外研究现状
        1.2.1 文档级情感分类
        1.2.2 语句级情感分类
        1.2.3 方面级情感分类
    1.3 本文的主要工作
    1.4 论文结构安排
第二章 相关理论和技术
    2.1 情感分析概述
        2.1.1 基于词典的情感分析
        2.1.2 基于机器学习的情感识别
    2.2 中文文本处理技术
    2.3 基于word2vec的文本表示方法
    2.4 深度学习相关理论与技术介绍
        2.4.1 激活函数
        2.4.2 卷积神经网络
        2.4.3 循环神经网络
        2.4.4 长短期记忆神经网络
    2.5 本章小结
第三章 基于深度学习的细粒度情感分类方法
    3.1 数据集介绍及文本长度统计
        3.1.1 数据集介绍
        3.1.2 文本长度统计
    3.2 数据集标签分布
    3.3 基于ELMo的动态词向量表征模型
    3.4 Seq2Seq模型
    3.5 基于自注意力机制的细粒度情感分析模型
        3.5.1 Self-Attention
        3.5.2 模型框架
    3.6 本章小结
第四章 实验分析
    4.1 实验环境及评估指标
    4.2 损失函数
    4.3 实验结果与分析
    4.4 本章小结
第五章 基于餐饮评论的细粒度情感分析应用
    5.1 情感分析应用总体构造
    5.2 应用开发的环境
    5.3 功能模块实现
        5.3.1 数据抓取模块
        5.3.2 数据预处理模块
        5.3.3 数据计算模块
        5.3.4 统计信息展示模块
    5.4 功能演示
    5.5 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 未来工作展望
致谢
参考文献


【参考文献】：
期刊论文
[1]文本情感分析[J]. 赵妍妍,秦兵,刘挺.  软件学报. 2010(08)
[2]文本挖掘技术研究[J]. 薛为民,陆玉昌.  北京联合大学学报(自然科学版). 2005(04)



本文编号：3647171