面向产品评论的细粒度情感分析研究

发布时间:2024-03-23 10:30
  随着电商平台的不断发展,互联网上积累了大量网民对商品的评论数据,这些数据为电商提供用户情感反馈的同时,也为众多网民在购物时的决策提供参考。自然语言处理领域中文本情感分析算法可以从大量评论数据中分析出用户积极、消极、或是中性的情感态度。然而,我们不仅想要了解用户对产品的整体情感反馈,更需要进一步了解用户对商品的具体方面的态度。为解决以上问题,本文在前人研究基础上进一步研究面向电商用户产品评论的细粒度情感分析中所涉及的模型方法,核心任务是成对的抽取用户评论中的主题词与情感词,并对评论的情感极性做出判断,具体工作如下:第一,研究并实现了一种融合词性注意力机制的主题词与情感词识别模型。提出的混合模型中,双向长短时记忆网络能够充分利用上下文的信息并抓取全局特征,词性特征注意力机制网络能够将词性特征向量和双向长短时记忆网络的隐藏层输出向量进行关注计算,获得词性对预测目标的贡献矩阵,条件随机场层能够有效学习输出标签之间前后依赖关系,进而确定用户评价中的主题词与情感词。实验表明,该混合模型能有效提升主题词与情感词的识别效果。第二,研究并实现了一种多元特征融合的卷积神经网络配对关系抽取模型。该模型有效将...

【文章页数】:73 页

【学位级别】:硕士

【部分图文】:

图2.1ward2vec相似度计算实例

图2.1ward2vec相似度计算实例

情感评价词典中,以便后面章节情感评价信息特征的提取。本文借助w〇rd2veC??模型来实现新词情感倾向的确定。??word2vec(word?to?vector)是2013年Google开发的可以将词以向量形式表示??的工具,通过训练,它可以将评论文本转化成K维向量空间,然后对其....


图2.3线性可分情况下的分类超平面

图2.3线性可分情况下的分类超平面

面向产品评论的细粒度情感分析研究本向量空间通过非线性映射的技术,映射到一个高维的特征空间特征空间中,存在一个可以将不同样本分类的最佳分类超per?Plane),它可以保证每个类之间有足够大的距离[29]。??线性可分与不可分两种情况,在前者情况下,一条直线就可以将这条直线就叫做最....


图2.3所示,两类样本在二维??空间中的映射分别用空心圆点和实心圆点来表示,分类超平面有?

图2.3所示,两类样本在二维??空间中的映射分别用空心圆点和实心圆点来表示,分类超平面有?

这条直线就叫做最佳的分类超平面,如图2.3所示,两类样本在二维??空间中的映射分别用空心圆点和实心圆点来表示,分类超平面有三条直线HI,?H,??H2。当两类样本中最近点的距离最大时得到最佳的分类超平面,图2.3中最佳分??类超平面为H,距离两类样本点最近的直线HI、H2是平行于....


图2.5隐马尔科夫模型结构图??HMM立,可直对条概率??

图2.5隐马尔科夫模型结构图??HMM立,可直对条概率??

?(2.11)??那么仏O)就符合条件随机场模型的要求。一般,图G没有固定结构,但在模??型建立时,链式结构的使用率最高,如下图2.6所示:??0?,Or??▼??S?-?…,Sn??图2.6?CRF的链式结构??具体用于评论文本情感要素识别时,首先输入观察序列,即经过分词的评论....



本文编号:3935790

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3935790.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户19a64***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com