基于深度学习的多模型融合文本情感算法研究

发布时间：2023-03-05 20:32

　　随着互联网技术的飞速发展,网络评论空间中产生了大量的信息,这些信息主要由微博评论、商品评论、社交评论等组成。而评论往往带有比较强烈的情感色彩,因此对网络评论进行情感分析具有重大的社会价值和现实意义。本论文对情感分析领域的现状以及深度学习理论进行了深入地研究,分析了该领域存在的一些问题,从提升情感分析预测的准确率出发,首先针对单一深度学习模型存在的不足,提出了一种多模型融合文本情感的算法;其次,针对词向量中缺乏情感信息的问题,提出了一种情感词向量的构建方法。本论文具体的工作内容和创新点如下:(1)为了解决单一的深度学习模型难以在获取高度抽象文本特征的同时学习句子的序列特征的问题,本论文提出了一种多模型融合的深度学习算法,首先利用卷积神经网络的并行特征提取能力对数据进行特征提取。接着结合双向长短时记忆神经网络抽取句子序列特征的优点,将提取的特征送入双向长短时记忆神经网络模型进行训练,同时使用全局均值池化的方法减小模型的复杂程度。本论文在亚马逊评论数据集和SSTb数据集中进行对比实验,实验结果表明,与传统算法相比,本论文提出的算法能够有效地提升情感分析的准确性。(2)为了使词向量具有情感信息...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 文档级别情感分类
        1.2.2 句子级别情感分类
        1.2.3 情感词嵌入技术
    1.3 论文研究内容
    1.4 论文结构安排
第2章 相关技术概述
    2.1 浅层神经网络介绍
    2.2 词向量介绍
        2.2.1 词表示方法
        2.2.2 语言模型介绍
        2.2.3 word2vec模型介绍
    2.3 深度学习算法介绍
        2.3.1 卷积神经网络
        2.3.2 循环神经网络
    2.4 本章小结
第3章 多模型融合文本情感算法研究
    3.1 引言
    3.2 模型结构
        3.2.1 卷积层
        3.2.2 双向长短时记忆网络
        3.2.3 分类层
        3.2.4 损失函数选取
    3.3 实验及分析
        3.3.1 实验环境与数据集
        3.3.2 实验设置
        3.3.3 实验结果与分析
    3.4 本章小结
第4章 情感词向量构建方法
    4.1 引言
    4.2 基于Skip-Gram的情感词向量构建
        4.2.1 单词情感标签的获取
        4.2.2 情感词向量模型构建
    4.3 实验及分析
        4.3.1 实验数据
        4.3.2 基准方法
        4.3.3 实验设置
        4.3.4 实验结果与分析
    4.4 本章小结
第5章 总结与展望
    5.1 研究工作总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3756870