基于深度学习的文本情感分类方法研究

发布时间：2021-12-21 21:03

　　文本情感分类（sentiment classification）是信息检索与数据挖掘领域的一项重要研究课题,其目标旨在发现主观性文档中表达的态度和情感倾向性,具有极高的研究与应用价值,所以在近年来得到了专家学者的广泛关注并取得了快速发展。迄今为止,研究人员已经提出了许多种实用有效的文本情感分类算法。其中,基于深度学习模型的分类方法因其强大的特征学习能力,逐渐成为解决文本情感分类问题的一种重要方法。但是,现有研究中的深度学习模型不仅忽略了对已有情感资源和特征的有效利用,而且也忽视了文本数据中潜在的序列特征,致使深度学习模型的分类性能仍有较大的提升空间。为此,本文开展了以下两个方面的研究工作:（1）针对现有深度学习方法在文本情感分类任务中特征提取能力方面的不足,提出了一种基于扩展特征和动态池化的双通道卷积神经网络（Convolutional Neural Network,CNN）的文本情感分类算法。首先,将情感词、词性、程度副词、否定词和标点符号等多种能够影响文本情感倾向的词语特征相结合形成一个扩展文本特征。然后,把词向量特征与扩展文本特征分别作为卷积神经网络的两个输入通道,采用一种新的动... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文的主要研究内容
    1.4 论文的组织结构
第2章 相关知识介绍
    2.1 文本情感分类的概述
    2.2 基于情感知识的方法
        2.2.1 分词工具
        2.2.2 情感词典资源
    2.3 基于情感特征的方法
        2.3.1 文本预处理
        2.3.2 特征选择
        2.3.3 典型的文本情感分类方法
    2.4 深度学习相关算法
        2.4.1 卷积神经网络
        2.4.2 循环神经网络
        2.4.3 LSTM神经网络
        2.4.4 递归神经网络
        2.4.5 注意力机制
    2.5 文本情感分类的评价指标
    2.6 本章小结
第3章 基于双通道卷积神经网络的文本情感分类算法
    3.1 算法思想和框架
    3.2 算法描述
        3.2.1 扩展特征
        3.2.2 动态k-max池化
        3.2.3 算法描述与分析
    3.3 实验与分析
        3.3.1 数据集与评价标准
        3.3.2 超参数设置
        3.3.3 实验结果与分析
    3.4 本章小结
第4章 基于LSTM神经网络与注意力机制的文本情感分类算法
    4.1 基本思想
    4.2 基于长短期记忆神经网络与注意力机制的文本情感分类模型
    4.3 算法描述
    4.4 实验与分析
        4.4.1 实验数据与评价标准
        4.4.2 超参数设置
        4.4.3 LSTM神经网络提取序列特征的效果实验
        4.4.4 引入注意力机制的分类效果实验
        4.4.5 与多种经典算法的比较
    4.5 本章小结
结论
参考文献
攻读硕士学位期间所取得的主要科研成果
致谢


【参考文献】：
期刊论文
[1]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[2]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[3]基于情感关键句抽取的情感分类研究[J]. 林政,谭松波,程学旗.  计算机研究与发展. 2012(11)
[4]基于句法路径的情感评价单元识别[J]. 赵妍妍,秦兵,车万翔,刘挺.  软件学报. 2011(05)
[5]文本情感分析[J]. 赵妍妍,秦兵,刘挺.  软件学报. 2010(08)



本文编号：3545174