基于深度学习的网络舆情识别研究

发布时间：2022-02-22 04:56

　　随着互联网技术的快速发展,网络数据也在以惊人的速度增加,如何对网络舆情实施有效的监管成为迫在眉睫的任务。中文文本情感识别是网络舆情识别的核心内容,也是网络监管的重要内容。文本情感识别是自然语言处理领域的核心研究方向。传统的文本情感识别方法在处理大规模网络数据时表现出一系列的缺点（例如,识别效率低,准确率下降等）。近年来,深度学习的兴起为解决这一问题提供了一种可能的、有效的解决方法。论文针对中文文本情感识别和深度学习进行了较广泛的阅读理解和深入研究。论文提出了基于长短期记忆（Long Short-Term Memory,LSTM）网络模型的中文分词方案以及基于卷积神经网络（Convolutional Neural Network,CNN）的中文文本情感识别方案,并分别采用典型语料集对提出的方案进行了验证。此外,论文基于本文提出的中文文本情感识别方案设计并实现了中文文本情感识别系统,用于实际舆情分析。论文的主要工作及贡献概括如下:1.对中文文本情感识别涉及的文本预处理、文本表示、特征提取及分类等关键技术进行了阐述,分析了目前中文文本情感识别的典型方法及其不足,指出了文本情感识别涉及的关键技... 

【文章来源】：北京邮电大学北京市211工程院校教育部直属院校

【文章页数】：104 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
        1.1.1 网络舆情及识别
        1.1.2 文本情感识别
        1.1.3 深度学习
    1.2 研究意义
    1.3 研究现状
        1.3.1 网络舆情识别研究现状
        1.3.2 情感识别研究现状
        1.3.3 深度学习研究现状
    1.4 论文主要工作及贡献
    1.5 论文组织结构
第二章 文献综述
    2.1 文本情感识别
        2.1.1 文本预处理
        2.1.2 特征提取
        2.1.3 特征分类
    2.2 文本表示模型
        2.2.1 向量空间模型
        2.2.2 概率主题模型
        2.2.3 神经网络模型
    2.3 词向量模型
        2.3.1 CBOW模型
        2.3.2 Skip-Gram模型
        2.3.3 Glove模型
        2.3.4 模型评估
    2.4 文本特征训练
        2.4.1 Word2vec程序
        2.4.2 Doc2vec程序
    2.5 深度学习模型
        2.5.1 网络模型
        2.5.2 网络训练
    2.6 本章小结
第三章 基于LSTM网络模型的中文分词方案
    3.1 中文分词综述
        3.1.1 基于词典的分词方法
        3.1.2 基于统计的分词方法
        3.1.3 基于构词的分词方法
    3.2 LSTM网络结构
        3.2.1 RNN模型
        3.2.2 LSTM模型
    3.3 基于LSTM的编码-解码模型
        3.3.1 编码-解码模型框架
        3.3.2 引入注意力机制
    3.4 实验与分析
        3.4.1 分词方案设计
        3.4.2 词向量修正
        3.4.3 数据集
        3.4.4 评估标准
        3.4.5 结果与分析
    3.5 本章小结
第四章 基于CNN网络的中文文本情感识别
    4.1 CNN网络综述
        4.1.1 CNN网络模型
        4.1.2 CNN网络训练
    4.2 文本特征提取
        4.2.1 特征提取方法
        4.2.2 特征维数
        4.2.3 特征规整化
    4.3 情感识别方案
        4.3.1 方案流程
        4.3.2 学习速率更新策略
    4.4 实验结果与分析
        4.4.1 数据集与实验平台
        4.4.2 实验流程
        4.4.3 评估标准
        4.4.4 结果与分析
        4.4.5 进一步讨论
    4.5 本章小结
第五章 中文情感识别系统设计与实现
    5.1 面向对象综述
        5.1.1 编程思想
        5.1.2 相关概念
    5.2 情感识别系统设计
        5.2.1 系统流程及结构
        5.2.2 数据处理模块
        5.2.3 特征提取模块
        5.2.4 特征分类模块
        5.2.5 性能评估模块
        5.2.6 用户接口模块
    5.3 情感识别系统实现
    5.4 本章小结
第六章 结论与展望
    6.1 论文工作总结
    6.2 论文工作展望
参考文献
附录
致谢
攻读博士学位期间发表的学术论文目录



本文编号：3638739