基于卷积神经网络的商品评论情感分析的研究

发布时间：2020-03-19 03:31

【摘要】：近年来,随着移动互联网和电子商务的快速发展,越来越多的人热衷于网上购物,并在互联网上发表自己对商品以及服务的看法。在购物平台中,分析这些评论一方面能够帮助商家及时掌握商品的优缺点、改进商品质量,对满足消费者需求,提高业务规模有很大帮助。另一方面也为消费者全面了解商品信息提供参考。因此,如何利用现有的自然语言处理技术来处理和分析这些文本的情感倾向,已经成为很多研究人员关注的热点领域之一。传统的情感分析方法依赖庞大的情感词典和复杂的特征提取工程。如果情感词典不完善,评论中的情感词没有出现在情感词典中,就无法判断评论的情感倾向性,并且随着文本数据规模的不断扩大,人工标注数据需要过多的人力物力,还需要有一定的领域知识,从而限制了这些方法的发展。本文结合深度学习理论和自然语言处理技术,在基于卷积神经网络的文本分类方法的基础上,从句子结构和词向量出发,设计了一种基于特征融合的分段卷积神经网络文本情感分析模型,此模型能够分段提取句子的主要特征;并利用词性特征与词向量融合的方法,解决词向量无法区分同义词的问题。实验结果表明,与传统的文本卷积神经网络相比,本文提出的方法在情感分析任务上,精确率和召回率等指标都有显著提升。最后本文基于以上的算法,实现了一个商品评论的情感倾向性分析测试系统。
【图文】：

序列,参数,卷积核,神经网络

图 2.4 神经元的稀疏连接数共享统的神经网络中，，每一层计算输出时，每一个神经元的权重参数只使用一网络中，卷积层利用卷积核提取输入层的局部特征，卷积核会依次遍历整个个卷积核来说，在依次提取局部特征时，卷积核的参数是不变的。这样大与输入层之间的参数数量，从而提升了模型的训练效率。环神经网络神经网络与其他的人工神经网络不同[26]，在传统的神经网络模型中，层与接，彼此独立。而循环神经网络模型隐藏层之间的神经元是有连接的，上作为下一个神经元的部分输入。就这样之前神经元的信息可以一个接一个的神经网络能够记住之前的信息，拥有记忆功能，天然的被用来处理文本序列

过程图,误差逆传播算法,过程

大学专业学位硕士研究生学位论文第二章情感分析相关技术理论经网络的研究重点。它能够解决大量样本只有少量标注的训练问题，因此，对价和提升神经网络性能具有重要的意义。的神经网络训练方法是误差逆传播算法[34]，同时误差逆传播算法也是最成功的广泛的应用于深度学习领域。逆传播算法主要分为正向传播和反向传播两个部分。在正向传播中，文本数据入神经网络，通过隐藏层进行非线性的转换，再将结果传入输出层。如果输出和实际样本数据的结果有误差，神经网络则开始进入反向传播的状态。反向传播过隐藏层一层一层的反传，逐层求出各个神经元权值的偏导数，通过这个偏导。神经网络就是通过这样的方式不断地训练参数，直到误差达到期望值或者训的次数。逆传播算法的具体过程如图 2.7：
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.1;TP183

【相似文献】