基于深度学习的商品评论情感分析方法研究

发布时间：2022-07-14 14:00

　　随着互联网在电子商务行业的全面覆盖,各种商业服务平台快速发展,承载了多种类型的数据信息。与视听多媒体数据相比,因特网中的文字数据消耗资源较少,很容易进行网上传输,因此文字信息是使用最为广泛的表达形式。自然语言处理中的文本情感分析正是研究如何从文字中找到有用的信息内容。由于计算能力和优化算法的限制,目前常用的情感分析算法存在参数较多、只针对特定数据集效果好及实时性无法满足实际应用需要的问题。本文以电商平台在线评论文本数据为研究对象,选择BiLSTM算法作为基础算法并融合注意力机制和词性,从大量的评论数据样本中主动学习文本中的语义信息并获得文本的特征与情感分类结果,达到精准提取文本数据中情感的目的。本文将深度学习模型与知识蒸馏方法相结合,实现情感分析模型的精确化和轻量化,优化模型性能。根据设计的分类模型研究了基于深度神经网络的商品评论情感分析系统,系统可以根据用户的操作自动预测文字内容所表达的情绪状态,从而帮助人们挖掘文本信息,做出正确的判断。本文主要工作总结如下:（1）基于深度学习的商品评论情感分析算法的研究与改进。本文以BiLSTM算法为切入点,设计pos-BiLSTM-Att优化算法... 

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状分析
        1.2.1 文本表示学习
        1.2.2 情感词典的文本情感分析方法
        1.2.3 机器学习的文本情感分析方法
        1.2.4 深度学习的文本情感分析方法
    1.3 本文主要内容及章节安排
        1.3.1 主要内容
        1.3.2 章节安排
2 基础理论与关键技术分析
    2.1 语言模型框架
        2.1.1 Word2vec模型
        2.1.2 BERT模型
    2.2 深度学习相关理论研究
        2.2.1 激活函数
        2.2.2 LSTM模型与BiLSTM模型
        2.2.3 注意力机制
        2.2.4 知识蒸馏
    2.3 本章小结
3 基于注意力和词性的BiLSTM情感分析模型研究
    3.1 文本情感分析常用算法研究
        3.1.1 卷积神经网络分析
        3.1.2 BiLSTM模型分析
    3.2 常用情感分析算法存在问题及优化算法设计
    3.3 结合注意力和词性的BiLSTM模型设计
        3.3.1 文本预处理
        3.3.2 模型整体框架
        3.3.3 实验设置
        3.3.4 实验结果与分析
    3.4 本章小结
4 基于知识蒸馏的情感分析模型研究
    4.1 模型压缩方法分析
    4.2 知识蒸馏
        4.2.1 教师模型分析与设计
        4.2.2 知识蒸馏步骤
        4.2.3 ALBERT-FN模型设置
        4.2.4 pos-BiLSTM-Att模型设置
    4.3 实验结果与分析
        4.3.1 实验设置
        4.3.2 实验结果分析
    4.4 本章小结
5 商品情感分析系统的设计与实现
    5.1 系统需求分析
    5.2 系统总体方案研究与模块设计
    5.3 系统框架设计与工作流程
        5.3.1 系统框架设计
        5.3.2 系统工作流程
        5.3.3 数据库设计
    5.4 开发环境搭建与功能实现
        5.4.1 开发环境搭建
        5.4.2 功能实现
    5.5 本章小结
6 总结与展望
    6.1 工作总结
    6.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3661262