基于词性和位置注意力机制的细粒度情感分析研究
发布时间:2023-03-11 19:37
伴随着电子商务的飞速发展,人们越来越倾向于在网络上购买商品和发表个人的评论,网络上与商品有关的评论数量不断增多。分析这些商品评论可以帮助商家发现商品的不足,进而对他们的商品和服务做出改进,同时也可以帮助消费者更好的挑选出满足自己需求的商品。传统的篇章级情感分析能够分析出评论的整体倾向性,但是一条评论内商品的各个方面可能会表现出不同的情感倾向,对于消费者和商家来说掌握商品各个方面的倾向性信息往往比掌握整体的倾向性信息更加重要。细粒度情感分析旨在获取商品各个方面的情感倾向信息,对于帮助商家和消费者更好的了解商品的信息具有重要的应用价值。本文对于细粒度情感分析任务进行研究,本文所作的主要工作如下:(1)针对基于LSTM的情感分析模型无法有效挖掘特定评价属性的情感信息的问题,本文考虑了词语词性和相对位置信息对挖掘评价属性的情感信息的影响,提出了一种基于词性和位置注意力的情感分析模型:PAP-LSTM。该模型利用词性信息和相对位置信息计算词语的注意力权重,充分挖掘不同词语对评价属性的影响,判断不同评价属性的情感倾向性。实验结果表明,提出的PAP-LSTM能够有效的判断评价属性的情感极性。(2)针...
【文章页数】:53 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 研究现状
1.3 研究内容
1.4 论文组织结构
第2章 基本理论
2.1 文本预处理技术
2.1.1 文本分词
2.1.2 文本清洗
2.1.3 文本向量化
2.2 深度学习算法介绍
2.2.1 循环神经网络RNN
2.2.2 卷积神经网络CNN
2.2.3 常用激活函数介绍
2.3 注意力机制介绍
2.4 本章小结
第3章 基于词性和位置注意力的情感分析
3.1 模型设计思想
3.2 情感分析模型PAP-LSTM
3.2.1 PAP-LSTM模型结构
3.2.2 根据评价属性位置和词语词性划分文本
3.2.3 利用词性和位置信息计算注意力
3.3 实验数据处理方法
3.4 实验与结果分析
3.4.1 实验数据
3.4.2 实验环境与参数
3.4.3 实验评价指标
3.4.4 对比实验设置
3.4.5 结果与分析
3.5 本章小结
第4章 基于CNN计算注意力的情感分析模型
4.1 模型设计思想
4.2 情感分析模型CNNATT-LSTM
4.2.1 CNNATT-LSTM模型结构
4.2.2 基于CNN的注意力计算
4.3 实验与结果分析
4.3.1 实验数据
4.3.2 实验环境与参数
4.3.3 实验评价指标
4.3.4 对比实验设置
4.3.5 结果与分析
4.3.6 注意力可视化
4.4 本章小结
第5章 结论和展望
5.1 结论
5.2 展望
参考文献
致谢
作者简介
攻读硕士学位期间研究成果
本文编号:3760116
【文章页数】:53 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 研究现状
1.3 研究内容
1.4 论文组织结构
第2章 基本理论
2.1 文本预处理技术
2.1.1 文本分词
2.1.2 文本清洗
2.1.3 文本向量化
2.2 深度学习算法介绍
2.2.1 循环神经网络RNN
2.2.2 卷积神经网络CNN
2.2.3 常用激活函数介绍
2.3 注意力机制介绍
2.4 本章小结
第3章 基于词性和位置注意力的情感分析
3.1 模型设计思想
3.2 情感分析模型PAP-LSTM
3.2.1 PAP-LSTM模型结构
3.2.2 根据评价属性位置和词语词性划分文本
3.2.3 利用词性和位置信息计算注意力
3.3 实验数据处理方法
3.4 实验与结果分析
3.4.1 实验数据
3.4.2 实验环境与参数
3.4.3 实验评价指标
3.4.4 对比实验设置
3.4.5 结果与分析
3.5 本章小结
第4章 基于CNN计算注意力的情感分析模型
4.1 模型设计思想
4.2 情感分析模型CNNATT-LSTM
4.2.1 CNNATT-LSTM模型结构
4.2.2 基于CNN的注意力计算
4.3 实验与结果分析
4.3.1 实验数据
4.3.2 实验环境与参数
4.3.3 实验评价指标
4.3.4 对比实验设置
4.3.5 结果与分析
4.3.6 注意力可视化
4.4 本章小结
第5章 结论和展望
5.1 结论
5.2 展望
参考文献
致谢
作者简介
攻读硕士学位期间研究成果
本文编号:3760116
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/3760116.html