基于深度神经网络的中文情感分析研究
发布时间：2023-04-16 15:20
21世纪以来,伴随着互联网技术的发展,特别是移动互联网的飞速发展,各类网络应用快速普及,人们越来越受益于网络所带来的便捷服务。互联网用户数爆发式增长,微信、QQ、推特、微博等社交媒体用户数数以亿计。数据显示,新浪微博2018年月活用户量已经达到4.62亿人次。人们通过微博、微信朋友圈等发表自己的心情,以及对于各类事件的观点、看法等,这些数据信息能够很直观的反映出社会舆论情况。文本情感分析,即对文本数据所表达的情感观点(喜、怒、哀、乐、积极、消极等)进行发掘。有效的利用网络上的大量用户观点信息,通过情感分析方法,发掘用户对特定问题或产品所表达的主观情感和所持有的观点,具有重大的研究意义。本文拟基于深度神经网络技术,通过分析中文的特点,基于卷积神经网络和循环神经网络模型等提出了有效的中文情感分析方法。具体的,本文主要取得了如下研究成果:1)针对中文网络评论文本的情感极性分析问题,本文提出了基于词嵌入的双向长短时记忆循环网络的情感分类模型textEBRNN,该模型首先通过词嵌入技术训练大量中文语料,进行中文文本的词向量表征,然后通过双向长短时记忆网络进行进一步情感特征提取,最后通过分类网络建...
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题背景
1.2 课题研究意义
1.3 国内外研究现状
1.4 论文的研究内容
1.5 论文结构说明
第二章 中文情感分析的相关技术与方法
2.1 中文文本预处理
2.2 文本表示与文本特征处理
2.2.1 文本表示模型
2.2.2 文本特征项选取
2.2.3 文本特征权值计算
2.3 文本分类技术
2.4 深度神经网络技术
2.5 本章总结
第三章 基于textEBRNN的中文评论情感极性分析
3.1 研究动机
3.2 词嵌入研究
3.3 双向LSTM特征提取层分析
3.3.1 普通的循环神经网络单元
3.3.2 双向长短时记忆网络单元
3.4 基于textEBRNN的中文评论情感极性分类模型设计
3.4.1 基于textEBRNN的中文评论情感极性分类模型整体结构
3.4.2 输入层设计
3.4.3 双向长短时记忆网络层设计
3.4.4 全连接层与Sigmoid层设计
3.5 实验流程与结果分析
3.5.1 实验环境
3.5.2 基于textEBRNN的中文评论情感极性分类处理流程
3.5.3 实验数据采集与预处理
3.5.4 文本标注
3.5.5 训练词向量
3.5.6 textEBRNN网络模型实现
3.5.7 模型评价指标
3.5.8 模型训练方法
3.5.9 相关实验设计
3.5.10 实验结果分析
3.6 本章总结
第四章 基于textEBRNN-Attention的情感分析模型
4.1 注意力机制研究
4.2 带注意力的情感极性分析模型textEBRNN-Attention
4.3 实验设计
4.3.1 实验流程
4.3.2 相关实验设计
4.4 实验结果分析
4.5 本章总结
第五章 基于融合神经网络的中文微博情绪分析
5.1 研究动机
5.2 卷积神经网络单元研究
5.3 BiLSTM-CNN融合情绪分类模型
5.3.1 输入层设计
5.3.2 BiLSTM层设计
5.3.3 卷积层与池化层设计
5.3.4 全连接层与分类器层设计
5.4 BiLSTM-CNN-Attention模型
5.4.1 模型整体结构
5.4.2 注意力层设计
5.5 实验流程与结果分析
5.5.1 数据采集与预处理
5.5.2 基于BiLSTM-CNN-Attention融合的中文微博情绪多分类模型实现
5.5.3 相关实验设计
5.5.4 实验结果分析
5.6 模型超参数分析与对比试验
5.6.1 实验超参数设置
5.6.2 不同卷积核个数和dropout比例对比
5.6.3 不同池化方式对比
5.6.4 多轮epoch下数据拟合情况
5.7 本章总结
第六章 总结与展望
6.1 总结
6.2 对未来工作的展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件
本文编号：3791509
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题背景
1.2 课题研究意义
1.3 国内外研究现状
1.4 论文的研究内容
1.5 论文结构说明
第二章 中文情感分析的相关技术与方法
2.1 中文文本预处理
2.2 文本表示与文本特征处理
2.2.1 文本表示模型
2.2.2 文本特征项选取
2.2.3 文本特征权值计算
2.3 文本分类技术
2.4 深度神经网络技术
2.5 本章总结
第三章 基于textEBRNN的中文评论情感极性分析
3.1 研究动机
3.2 词嵌入研究
3.3 双向LSTM特征提取层分析
3.3.1 普通的循环神经网络单元
3.3.2 双向长短时记忆网络单元
3.4 基于textEBRNN的中文评论情感极性分类模型设计
3.4.1 基于textEBRNN的中文评论情感极性分类模型整体结构
3.4.2 输入层设计
3.4.3 双向长短时记忆网络层设计
3.4.4 全连接层与Sigmoid层设计
3.5 实验流程与结果分析
3.5.1 实验环境
3.5.2 基于textEBRNN的中文评论情感极性分类处理流程
3.5.3 实验数据采集与预处理
3.5.4 文本标注
3.5.5 训练词向量
3.5.6 textEBRNN网络模型实现
3.5.7 模型评价指标
3.5.8 模型训练方法
3.5.9 相关实验设计
3.5.10 实验结果分析
3.6 本章总结
第四章 基于textEBRNN-Attention的情感分析模型
4.1 注意力机制研究
4.2 带注意力的情感极性分析模型textEBRNN-Attention
4.3 实验设计
4.3.1 实验流程
4.3.2 相关实验设计
4.4 实验结果分析
4.5 本章总结
第五章 基于融合神经网络的中文微博情绪分析
5.1 研究动机
5.2 卷积神经网络单元研究
5.3 BiLSTM-CNN融合情绪分类模型
5.3.1 输入层设计
5.3.2 BiLSTM层设计
5.3.3 卷积层与池化层设计
5.3.4 全连接层与分类器层设计
5.4 BiLSTM-CNN-Attention模型
5.4.1 模型整体结构
5.4.2 注意力层设计
5.5 实验流程与结果分析
5.5.1 数据采集与预处理
5.5.2 基于BiLSTM-CNN-Attention融合的中文微博情绪多分类模型实现
5.5.3 相关实验设计
5.5.4 实验结果分析
5.6 模型超参数分析与对比试验
5.6.1 实验超参数设置
5.6.2 不同卷积核个数和dropout比例对比
5.6.3 不同池化方式对比
5.6.4 多轮epoch下数据拟合情况
5.7 本章总结
第六章 总结与展望
6.1 总结
6.2 对未来工作的展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件
本文编号：3791509
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3791509.html
最近更新
教材专著
