基于深度学习的微博情感分析研究

发布时间：2022-07-12 10:35

　　随着互联网的迅速发展,社交网络服务（SNS）呈现爆炸式增长,越来越多的人开始习惯于通过微博来表达他们的观点和情感。对微博平台上海量的文本进行情感分析与挖掘具有巨大的应用价值,近年来成为一个新的研究热点。传统的文本情感分析方法需要依靠纷繁复杂的特征工程,且难以适应微博文本简洁、多样、不断变化等特点。近年来,深度学习技术在自然语言处理领域取得了越来越广泛的应用,本文利用深度学习技术对现有的微博情感分析模型和方法进行优化改造,设计了两种深度学习模型:首先,考虑到微博句子中的每个单词对句子整体情感表达的重要程度不同,将注意力机制（Attention Mechanism）运用到基于双向门控循环单元（Bi-directional Gated Recurrent Unit,BGRU）的神经网络中,设计了一种 BGRU-Attention神经网络模型。BGRU能够有效捕获文本长相关性特征,注意力机制可以在模型合成高层情感特征时,给予重要单词更高的权重,而且有利于提高深度学习模型的可解释性。实验证明,BGRU-Attention模型在英文微博情感倾向性分析问题上,相较于传统的基于支持向量机的模型和其它深... 

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 基于规则方法的研究现状
        1.2.2 基于机器学习方法的研究现状
        1.2.3 基于深度学习方法的研究现状
    1.3 本文主要研究内容
    1.4 本文组织结构
第二章 相关技术与理论基础
    2.1 文本表示相关技术
        2.1.1 向量空间模型
        2.1.2 分布式表示
    2.2 深度学习相关技术
        2.2.1 人工神经网络
        2.2.2 卷积神经网络
        2.2.3 循环神经网络
        2.2.4 长短时记忆神经网络
    2.3 本章小结
第三章 基于BGRU-ATTENTION的微博情感倾向性分析
    3.1 表情符情感词典的构建
    3.2 FASTTEXT模型
    3.3 GRU神经网络
    3.4 注意力机制
    3.5 BGRU-ATTENTION模型
        3.5.1 词向量输入层
        3.5.2 BGRU层
        3.5.3 Attention层
        3.5.4 情感分类输出层
    3.6 实验与分析
        3.6.1 实验数据集
        3.6.2 文本预处理
        3.6.3 预训练词向量
        3.6.4 评价标准
        3.6.5 模型超参数的设置
        3.6.6 对比实验
        3.6.7 结果与分析
    3.7 本章小结
第四章 基于BGRU-CNN的层次结构细粒度微博情感分析
    4.1 BGRU-CNN模型
    4.2 层次结构分类
    4.3 实验与分析
        4.3.1 实验数据集
        4.3.2 文本预处理
        4.3.3 预训练词向量
        4.3.4 评价标准
        4.3.5 模型超参数的设置
        4.3.6 对比实验
        4.3.7 结果与分析
    4.4 本章小结
第五章 微博情感分析系统的设计与实现
    5.1 总体设计
    5.2 系统展示
        5.2.1 英文微博情感倾向性分析
        5.2.2 中文微博细粒度情感分析
    5.3 本章小结
第六章 总结和展望
    6.1 工作总结
    6.2 未来展望
参考文献
在学期间的研究成果
致谢


【参考文献】：
期刊论文
[1]基于多通道卷积神经网络的中文微博情感分析[J]. 陈珂,梁斌,柯文德,许波,曾国超.  计算机研究与发展. 2018(05)
[2]Deep learning for natural language processing:advantages and challenges[J]. Hang Li.  National Science Review. 2018(01)
[3]基于句法信息的微博情绪识别方法研究[J]. 黄磊,李寿山,周国栋.  计算机科学. 2017(02)
[4]用于微博情感分析的一种情感语义增强的深度学习模型[J]. 何炎祥,孙松涛,牛菲菲,李飞.  计算机学报. 2017(04)
[5]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[6]中文基础情感词词典构建方法研究[J]. 柳位平,朱艳辉,栗春亮,向华政,文志强.  计算机应用. 2009(10)



本文编号：3658965