基于深度学习的文本情感分类若干问题研究

发布时间：2022-11-10 19:19

　　随着互联网的发展和普及,越来越多的人们开始在诸如微博,论坛,社交网站,影视网站,购物网站等平台发表各种言论,以此来分享自己的心情,观点和意见。并且发表的这些内容可能包含着不同的感情色彩,有积极的或是消极的,支持的亦或是反对的。分析这些文本信息的情感倾向,对个人,商家,政府等都有着重要的意义。另外,随着人工智能的再度崛起,机器学习和深度学习的方法已经得到了广泛的关注,越来越多的研究人员已经提出了许多种实用并且有效的文本情感分类模型,基于深度学习的模型具有强大的特征学习能力,逐渐成为了解决情感分类问题的重要方法,但是现有的深度学习模型除了忽略了一些情感资源和有用的特征之外,也在一定程度上忽视了网络优化上问题。因此,深度学习的情感分类方法仍然存在一定的提升空间,本文基于此主要开展了两个方面的工作:（1）本文针对评论短文本的稀疏性以及深度学习网络对特征利用不充分的问题,提出了一种基于全连接网络的特征融合模型。首先,本文采用基于词典的方法提取了评论文本的句法特征,主要包括基本特征和情感短语极性特征,基本特征即正负面情感词个数,程度副词,否定词,转折词个数等;其次,采用基于情感词典和TF_... 

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 文本情感分类研究粒度
        1.2.2 文本情感分类研究级别
        1.2.3 文本情感分类研究方法
    1.3 研究内容
    1.4 本文组织路线
第2章 相关理论与技术
    2.1 文本预处理技术
        2.1.1 中文分词
        2.1.2 停用词过滤
        2.1.3 文本表示
    2.2 传统文本情感分析方法
        2.2.1 支持向量机
        2.2.2 朴素贝叶斯
    2.3 深度学习情感分析方法
        2.3.1 长短期记忆网络
        2.3.2 门控循环单元
    2.4 粒子群优化算法理论
        2.4.1 粒子群算法
        2.4.2 量子粒子群算法
    2.5 本章小结
第3章 基于全连接神经网络的特征融合模型
    3.1 基于词典的句法特征
        3.1.1 情感词典构建
        3.1.2 句法特征设计
        3.1.3 句法特征提取算法描述
    3.2 基于融合情感因子的TF_IDF词汇特征
        3.2.1 融合情感因子的TF_IDF权重计算方法
        3.2.2 CHI特征选择
        3.2.3 词汇特征提取算法描述
    3.3 基于WORD2VEC的词向量特征
    3.4 基于全连神经接网络的特征融合模型
        3.4.1 基于全连接神经网络的特征融合模型框架
        3.4.2 特征归一化
        3.4.3 特征融合过程
        3.4.4 特征融合算法描述
    3.5 实验仿真
        3.5.1 实验数据集
        3.5.2 实验环境及模型参数设置
        3.5.3 实验评估指标
        3.5.4 实验结果分析
    3.6 本章小结
第4章 基于IQPSO_BIGRU的文本情感分类模型
    4.1 基于IQPSO_BIGRU的文本情感分类模型框架
    4.2 改进的量子粒子群算法(IQPSO)模型
        4.2.1 IQPSO算法流程图
        4.2.2 自适应QPSO(AQPSO)
        4.2.3 融合网络输入输出灵敏度的AQPSO(ISO_AQPSO)
        4.2.4 收敛性分析
    4.3 BIGRU神经网络模型
        4.3.1 特征矩阵输入层
        4.3.2 BiGRU层
        4.3.3 情感输出层
    4.4 IQPSO优化BIGRU神经网络
        4.4.1 IQPSO优化BiGRU算法关键技术
        4.4.2 IQPSO优化BiGRU算法描述
    4.5 实验仿真
        4.5.1 实验数据集
        4.5.2 实验环境
        4.5.3 QPSO和 IQPSO在不同BiGRU网络的测试结果与分析
        4.5.4 不同优化算法在BiGRU网络的测试结果与分析
    4.6 IQPSO_BIGRU在影评情感分类上的应用
        4.6.1 影评信息获取
        4.6.2 基于IQPSO_BiGRU模型的情感分类方法
    4.7 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]面向双注意力网络的特定方面情感分析模型[J]. 孙小婉,王英,王鑫,孙玉东.  计算机研究与发展. 2019(11)
[2]卷积神经网络在短文本情感多分类标注应用[J]. 周锦峰,叶施仁,王晖.  计算机工程与应用. 2018(22)
[3]基于词向量与句法树的中文句子情感分析[J]. 相若晨,孙美凤.  计算机与现代化. 2016(08)
[4]基于深度学习的微博情感分析[J]. 梁军,柴玉梅,原慧斌,昝红英,刘铭.  中文信息学报. 2014(05)
[5]面向情感倾向性识别的特征分析研究[J]. 李妍坊,许歆艺,刘功申.  计算机技术与发展. 2014(09)
[6]基于知网和同义词词林的词汇语义倾向计算[J]. 黄硕,周延泉.  软件. 2013(02)
[7]基于情感关键句抽取的情感分类研究[J]. 林政,谭松波,程学旗.  计算机研究与发展. 2012(11)
[8]基于产品属性的条件句倾向性分析[J]. 杨源,林鸿飞.  中文信息学报. 2011(03)
[9]基于OCC模型的E-learning系统情感建模[J]. 乔向杰,王志良,王万森.  计算机科学. 2010(05)
[10]中文分词算法解析[J]. 张磊,张代远.  电脑知识与技术. 2009(01)

博士论文
[1]基于粒子群优化的随机前馈神经网络的研究[D]. 凌青华.江苏大学 2019

硕士论文
[1]基于序列生成模型的细粒度情感分析研究[D]. 邓敏娜.湘潭大学 2019
[2]基于多特征融合分析的推荐模型的研究与实现[D]. 郑书强.北京邮电大学 2019
[3]基于多特征融合与深度置信网络的遥感影像分类研究[D]. 乔贤贤.河南大学 2019
[4]面向中文微博情感分析的多特征融合方法研究[D]. 宋沛玉.广东工业大学 2018
[5]基于机器学习的情感分析方法研究[D]. 张磊.电子科技大学 2018
[6]基于机器学习的文本情感分析研究与优化[D]. 禹业藂.北京邮电大学 2018
[7]基于多维度特征评论分类的研究[D]. 包友军.浙江大学 2017
[8]基于多元特征融合和LSTM神经网络的中文评论情感分析[D]. 李科.太原理工大学 2017
[9]基于股票评论的句子级情感分析方法研究[D]. 卢琰琰.哈尔滨工业大学 2017
[10]基于UGC的情感多分类研究[D]. 齐宏伟.北京邮电大学 2017



本文编号：3705154