网络用户的情感倾向挖掘方法与系统研究

发布时间：2024-05-26 21:21

　　随着移动互联网的高速发展与信息技术的不断推陈出新,以及智能设备的普及化,互联网已大面积覆盖人们的学习、工作、生活、出行、娱乐等领域。人们会在不同平台分享自己的观点、表达自己对热点事件的态度、评论商品的质量,通过网络文本表达自己的感受和情感。挖掘文本中用户的潜在情感倾向,对产品调研、市场分析、网络舆情预警等应用有巨大的商业价值和社会意义。文本情感分析方法可分为基于情感词典的方法和基于机器学习的方法两类。基于情感词典的分析方法依赖情感词典,情感词典的质量直接影响模型的分类效果。该方法虽然简单,但是需要耗费巨大的人力维护词典,并且模型不具有可移植性。传统机器学习方法提取文本特征时需要领域专家的参与,不同领域的文本特征建模是有所区别的,因此也没有妥善解决人工成本和可移植性问题。针对基于词典和传统机器学习方法在文本情感挖掘方面的不足,本文将卷积神经网络(CNN)和注意力(Attention)机制相结合,设计了适用于网络用户情感分类的模型(MWABCNN)。在理论模型研究的基础上,设计了网络情感分析原型系统,本文具体工作如下:第一,在研究文本情感分析的词向量结构基础上,对现有词向量训练模型进行对比...

【文章页数】：102 页

【学位级别】：硕士

【部分图文】：

图3-6情感分类任务性能随词向量维度变化曲线

电子科技大学硕士学位论文CBOW模型训练的词向量，对于分类任务最为理想，其次是Skip-gram，由&W建模时保留了单词间的语义信息，词向量在句子层面效果较为明显。而基下文矩阵分解的GloVe在网络文本分类上也比较有优势。词向量的维度大小类问题也有一定的影响，为了更具体....

图4-18分类模型加入注意机制前后准确率对比图

图4-18分类模型加入注意机制前后准确率对比图论语料大小，MWABCNN模型性能都更好。当训练语料较少时，注意力机制型的分类影响较大，随着训练语料的增加，二者差距逐渐减小，最终MWABCN型在原有模型的基础上，将准确率提高了0.85个百分点。3.模型中不同参数对最终....

图5-1NUSAS系统架构图

电子科技大学硕士学位论文展示几个主要功能模块进行设计，如图5-1所示。首先通过数据采集模块从各种渠道收集语料，并对数据进行相应预处理。模型训练模块通过数据库连接池从文本数据库获取已预处理的文本，对词向量模型和分类模型进行训练。用户通过UI交互页面调用已训练好的模型对用户评....

图5-11NUSAS文本分析页面

问文本分类模型与相关数据数据访问模型与数据模型与数据运行模型，生成ModelAndView返回ModelAndView通过ViewResolver解析视图渲染视图并返回图5-10文本分析时序图文本分析任务在实时分析模块运行过程如图5-10所示，用户首先登陆系统，提交文本分....

本文编号：3982319