基于粒子群优化的神经网络中文情感分类算法及应用

发布时间：2024-01-30 10:32

　　文本情感分析(Sentiment Anaysis),也称为观点挖掘(Opinion Mining),是指使用自然语言处理、文本挖掘以及计算机语言学等方法对带有情感色彩的主观性文本进行信息的分析、处理、归纳和推理的过程。常见的进行文本情感分析的方法有基于情感词典的方法、基于机器学习的方法和基于深度学习模型的方法;情感词典的构建需要耗费许多设计和先验知识,机器学习也依赖高质量的特征构造和选取,深度学习方法的优势就在于强大的抽象特征提取能力,然而,复杂的模型结构随之而来的是繁复的参数调节,针对深度学习尤其是神经网络中参数大小难以调节的问题,本文研究一种基于粒子群算法(Particle Swarm Optimization)的神经网络中文文本情感分类方法,主要的研究内容如下:1)由于不同语言间的特征差异,中文文本相对于英文文本在自然语言处理任务中更加复杂和困难,本文提出了一种基于粒子群优化的神经网络中文情感分类模型(PSO-Attention-LSTM),模型使用循环神经网络中的长短期记忆网络(Long Short Term Memory Network)叠加注意力机制(Attention M...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
    1.4 论文章节安排
2 相关理论基础
    2.1 深度学习基础
        2.1.1 神经网络基础
        2.1.2 循环神经网络
        2.1.3 长短期记忆网络
    2.2 注意力机制
        2.2.1 编码器-解码器
        2.2.2 注意力机制
        2.2.3 自注意力机制
    2.3 粒子群算法原理
    2.4 本章小结
3 基于粒子群优化的神经网络中文情感分类算法
    3.1 算法概述
    3.2 文本预处理
        3.2.1 文本清洗及分词
        3.2.2 文本长度标准化
        3.2.3 词向量表示
    3.3 神经网络模型
        3.3.1 输入层
        3.3.2 网络层
        3.3.3 分类层
    3.4 粒子群算法
    3.5 实验结果及分析
        3.5.1 实验环境
        3.5.2 实验数据及参数设置
        3.5.3 实验结果及分析
    3.6 本章小结
4 基于PSO-Attention-LSTM模型的爱课程评论文本分析应用
    4.1 总体框架
    4.2 评论数据的获取
    4.3 课程评论情感极性分析
        4.3.1 国家精品课程评论分析及可视化
        4.3.2 各类别课程评论分析及可视化
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读硕士学位期间主要研究成果



本文编号：3889986