面向用户在线评论的文本情感分析

发布时间：2024-06-08 06:46

　　近年来,随着互联网普及率的上升和网民规模的持续增加,基于互联网的产业模式迅速发展,同时自媒体的发展使得每个人都是信息传播的主体,越来越多的人在网络上发表自己对于产品、服务等的态度或者情感,积累了大量含有个人观点的在线评论。这些在线评论不仅数量众多、风格多样,而且都是非结构化的文本数据,仅靠人工处理要花费大量精力和时间,其他用户想要了解评论全局概况是比较困难的。所以,对在线评论数据进行情感信息提取,判断人们对产品、服务等的评判态度,确定用户评论的侧重点和情感倾向具有十分重要的意义。基于此背景,本文以用户在线评论为研究对象,对文本情感分析中的两个子任务—方面提取任务和特定方面的情感分类任务进行研究。首先,针对方面提取任务,提出了基于两种嵌入表示和门控神经单元的方面提取方法。该方法在通用领域词嵌入表示的基础上,考虑到来自不同领域的数据集其数据具有不同的语义表示,从而引入特定领域的词嵌入表示,有效解决了评论中语义信息提取不足的问题。此外,该模型在门控神经单元的基础上,进一步引入注意力机制增加了文本中与方面词相关的词语的权重,从而提高了方面提取的性能。其次,在特定方面情感分类任务中,针对上下文位...

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 特定方面提取的研究现状
        1.2.2 情感分类的研究现状
    1.3 论文的研究内容
    1.4 论文组织结构
2 相关理论与技术
    2.1 文本表示
        2.1.1 独热表示
        2.1.2 分布式表示
    2.2 循环神经网络和变体
        2.2.1 循环神经网络
        2.2.2 长短时记忆网络
        2.2.3 门控循环单元
    2.3 注意力机制
    2.4 本章小结
3 方面提取方法的研究与改进
    3.1 问题介绍
    3.2 基于双嵌入和Bi-GRU的方面提取模型
    3.3 实验
        3.3.1 实验环境与实验数据
        3.3.2 实验评价指标
        3.3.3 对比模型
        3.3.4 实验结果与分析
    3.4 本章小结
4 特定方面情感分类方法的研究与改进
    4.1 问题介绍
    4.2 基于层次神经网络的特定方面情感分类模型
        4.2.1 词语级LSTM层
        4.2.2 句子级LSTM层
        4.2.3 注意力权重计算层
        4.2.4 输出层
    4.3 用于特定方面情感分类的交互注意力网络模型
        4.3.1 输入层
        4.3.2 Bi-LSTM层
        4.3.3 交互注意力网络层
        4.3.4 全连接层
        4.3.5 输出层
    4.4 实验
        4.4.1 实验数据
        4.4.2 实验参数与评价指标
        4.4.3 对比模型及准确率结果分析
        4.4.4 Hi ATT-LSTM模型分析
        4.4.5 LT-T-TR模型分析
        4.4.6 实例分析
    4.5 本章小结
总结与展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3991616