基于卷积神经网络和BiLSTM的网络舆情情感分类研究
发布时间：2021-07-24 23:34
网络信息技术近些年来飞速的发展,互联网对人们生活的影响已经渗透到了各个方面。人们通常习惯于通过文字来传达自己对这个世界里的商品、事物以及人的看法,而互联网就充当了这个时代下的一个价值媒介。人们通过文字在互联网下进行交流以传达各自的情感,借助这种广泛的沟通方式,实现了高效而又便捷的信息和价值观传递。故挖掘互联网环境下文字及其传递的情感关系,不仅仅是对促进NLP领域的研究和发展有着推动作用,还对人们实际的生活中有着实在的价值。简单来说,我国机构对于网络舆情事件的处理与分析,一方面传递了政府对于类似事件的情感倾向,另一方面也为日后同类型的事件起了很好的导向作用。本文研究工作主要包括以下内容:（1）本文基于如何能提升模型的文本特征提取的有效性的考虑,对传统的模型进行一些扩展和改进。本文考虑到现实中中文的外部信息对于文本的情感有一定的影响,对于文本情感分类能提升一些准确性,于是将文本的主题通过相关的技术提取出来,构建了HLB和HLC这两个基于主题融合的情感分类模型。然后经过试验证明模型是有效的,说明特征融合的思路的可行性。（2）本文针对当下互联网文本长短不一,并且有一些噪音类的瑕疵,基于上文特征...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
各类应用使用时长和传统舆情相比，网络舆情拥有自己独特的新兴的特征[1]，如反相共生性、
杭州电子科技大学硕士学位论文18N元组表示法[49]是一种常用的提取特征的模型，尤其是在进行文本情感分类时，该模型基于的假设是，第n个词出现与前n-1个词相关，而与其他任何词不相关，其核心的思想是，以N为窗口来对文本数据进行检查或滑动的操作。N元组模型的缺陷在于词表维度增加、词序列增加、词之间的关系度量有困难、数据稀疏。文本分析工作中，常用的N元组模型一般取N为2或3。4.词向量除上述所有的技术以外，还有一种在NLP领域被频繁的应用的文本表示方法—词的分布式表示法。下面主要介绍两种词向量技术：（1）word2vecword2vec的思想由来，是近两千年的时候Benjio提出的神经语言模型（NLM）[50]，其结构见图2.3。word2vec在NLM的基础上作出了几点改良，首先是从输入层到隐含层，简单直接的使用了求和取平均的方式来取映射值，没有用原来相对而言复杂的ActivationFunction等方法。其次是对于最后的关键层—输出层作出了一些矫正。图2.3神经语言模型2013年的时候，Mikolov[21]等在2013年的时候首次创新性的提出了word2vec，它的原理是，由NeuralNetwork学习某个输出到输出的模型，通过实验操练后获取词向量的权重，把输入的数据通过词向量表达出来。归纳可知，word2vec模型的整个工作有2个步骤组成，第一为构建模型，第二步对上一步构建好的模型进行训练，获得了嵌入的词向量。由训练model的不一样，word2vec可以分为两种，一种是连续词袋模型(CBOW)，一种是Skip-Gram模型。那么其中呢，CBOW模型是给
杭州电子科技大学硕士学位论文 定 上 下 文 contex(x) ( contex(x) 表 示 词 x 前 后 的 m 个 词xt m,..., xt 1, xt +1,..., xt +m )来预测目标词 xt ， Skip-Gram 是给定目标词 x 来预测 上 下 文 contex(x) 。 CBOW 模 型 是 从 文 本 对 目 标 词 的 预 测 中 学 习 到Word vector Word vector 的表达。模型结构具体如图 2.4 左所示。
【参考文献】：
期刊论文
[1]基于BLSTM和注意力机制的电商评论情感分类模型[J]. 潘晓英,赵普,赵倩. 计算机与数字工程. 2019(09)
[2]中国网络舆情研究13年（2005-2017）:理论、方法与实践[J]. 李明,曹海军. 情报杂志. 2019(05)
[3]国内网络舆情治理研究综述[J]. 孔建华. 电子政务. 2018(12)
[4]论“后真相”时代网络舆论的特点及其引导对策[J]. 程仕波. 思想理论教育. 2018(09)
[5]基于微博情感分析和社会网络分析的雾霾舆情研究[J]. 何跃,朱婷婷. 情报科学. 2018(07)
[6]我国网络舆情研究现状述评[J]. 刘亚男. 情报杂志. 2017(05)
[7]网络舆情演进过程参与主体策略行为仿真和政府引导[J]. 胡珑瑛,董靖巍. 中国软科学. 2016(10)
[8]面向网络舆情的评论文本情感分析研究[J]. 李光敏,张行文,张磊,杨朋英. 情报杂志. 2014(05)
[9]面向微博短文本的细粒度情感特征抽取方法[J]. 贺飞艳,何炎祥,刘楠,刘健博,彭敏. 北京大学学报(自然科学版). 2014(01)
[10]特征采样和特征融合的子图像人脸识别方法[J]. 朱玉莲,陈松灿. 软件学报. 2012(12)
硕士论文
[1]基于机器学习的网络舆情文本情感分类方法研究[D]. 范文慧.电子科技大学 2019
[2]基于深度学习的中文文本情感分类及其在舆情分析中的应用研究[D]. 吴俊江.湘潭大学 2017
[3]基于深度学习的微博评论情感倾向性分析[D]. 胡西祥.哈尔滨工业大学 2017
[4]基于情感词典的中文微博情感倾向分析研究[D]. 陈晓东.华中科技大学 2012
[5]面向网络舆情的中文评论文本情感倾向分析研究[D]. 罗亚平.东北财经大学 2010
[6]非结构文本最佳近似匹配系统的研究与实现[D]. 曹亚辉.东华大学 2011
[7]基于遗传算法的文本聚类研究[D]. 杨丽.南京航空航天大学 2009
[8]中文分词关键技术研究[D]. 曹卫峰.南京理工大学 2009
本文编号：3301656
【文章来源】：杭州电子科技大学浙江省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
各类应用使用时长和传统舆情相比，网络舆情拥有自己独特的新兴的特征[1]，如反相共生性、
杭州电子科技大学硕士学位论文18N元组表示法[49]是一种常用的提取特征的模型，尤其是在进行文本情感分类时，该模型基于的假设是，第n个词出现与前n-1个词相关，而与其他任何词不相关，其核心的思想是，以N为窗口来对文本数据进行检查或滑动的操作。N元组模型的缺陷在于词表维度增加、词序列增加、词之间的关系度量有困难、数据稀疏。文本分析工作中，常用的N元组模型一般取N为2或3。4.词向量除上述所有的技术以外，还有一种在NLP领域被频繁的应用的文本表示方法—词的分布式表示法。下面主要介绍两种词向量技术：（1）word2vecword2vec的思想由来，是近两千年的时候Benjio提出的神经语言模型（NLM）[50]，其结构见图2.3。word2vec在NLM的基础上作出了几点改良，首先是从输入层到隐含层，简单直接的使用了求和取平均的方式来取映射值，没有用原来相对而言复杂的ActivationFunction等方法。其次是对于最后的关键层—输出层作出了一些矫正。图2.3神经语言模型2013年的时候，Mikolov[21]等在2013年的时候首次创新性的提出了word2vec，它的原理是，由NeuralNetwork学习某个输出到输出的模型，通过实验操练后获取词向量的权重，把输入的数据通过词向量表达出来。归纳可知，word2vec模型的整个工作有2个步骤组成，第一为构建模型，第二步对上一步构建好的模型进行训练，获得了嵌入的词向量。由训练model的不一样，word2vec可以分为两种，一种是连续词袋模型(CBOW)，一种是Skip-Gram模型。那么其中呢，CBOW模型是给
杭州电子科技大学硕士学位论文 定 上 下 文 contex(x) ( contex(x) 表 示 词 x 前 后 的 m 个 词xt m,..., xt 1, xt +1,..., xt +m )来预测目标词 xt ， Skip-Gram 是给定目标词 x 来预测 上 下 文 contex(x) 。 CBOW 模 型 是 从 文 本 对 目 标 词 的 预 测 中 学 习 到Word vector Word vector 的表达。模型结构具体如图 2.4 左所示。
【参考文献】：
期刊论文
[1]基于BLSTM和注意力机制的电商评论情感分类模型[J]. 潘晓英,赵普,赵倩. 计算机与数字工程. 2019(09)
[2]中国网络舆情研究13年（2005-2017）:理论、方法与实践[J]. 李明,曹海军. 情报杂志. 2019(05)
[3]国内网络舆情治理研究综述[J]. 孔建华. 电子政务. 2018(12)
[4]论“后真相”时代网络舆论的特点及其引导对策[J]. 程仕波. 思想理论教育. 2018(09)
[5]基于微博情感分析和社会网络分析的雾霾舆情研究[J]. 何跃,朱婷婷. 情报科学. 2018(07)
[6]我国网络舆情研究现状述评[J]. 刘亚男. 情报杂志. 2017(05)
[7]网络舆情演进过程参与主体策略行为仿真和政府引导[J]. 胡珑瑛,董靖巍. 中国软科学. 2016(10)
[8]面向网络舆情的评论文本情感分析研究[J]. 李光敏,张行文,张磊,杨朋英. 情报杂志. 2014(05)
[9]面向微博短文本的细粒度情感特征抽取方法[J]. 贺飞艳,何炎祥,刘楠,刘健博,彭敏. 北京大学学报(自然科学版). 2014(01)
[10]特征采样和特征融合的子图像人脸识别方法[J]. 朱玉莲,陈松灿. 软件学报. 2012(12)
硕士论文
[1]基于机器学习的网络舆情文本情感分类方法研究[D]. 范文慧.电子科技大学 2019
[2]基于深度学习的中文文本情感分类及其在舆情分析中的应用研究[D]. 吴俊江.湘潭大学 2017
[3]基于深度学习的微博评论情感倾向性分析[D]. 胡西祥.哈尔滨工业大学 2017
[4]基于情感词典的中文微博情感倾向分析研究[D]. 陈晓东.华中科技大学 2012
[5]面向网络舆情的中文评论文本情感倾向分析研究[D]. 罗亚平.东北财经大学 2010
[6]非结构文本最佳近似匹配系统的研究与实现[D]. 曹亚辉.东华大学 2011
[7]基于遗传算法的文本聚类研究[D]. 杨丽.南京航空航天大学 2009
[8]中文分词关键技术研究[D]. 曹卫峰.南京理工大学 2009
本文编号：3301656
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3301656.html
