發(fā)布時間：2018-03-17 12:53

  本文選題：情感分析　切入點：情感詞典　出處：《暨南大學》2016年碩士論文　論文類型：學位論文

【摘要】：隨著近幾年來電子商務的快速發(fā)展,越來越多的用戶在網(wǎng)上購買商品后會留下對商品或服務的評論,并且該類評論數(shù)據(jù)的數(shù)量正在不斷增長。這些數(shù)據(jù)不僅可以作為消費者購物的參考信息,也可以為商家的銷售策略提供很多建議和商機,因此研究這些評論文本數(shù)據(jù)具有很大價值。作為文本分析的重要技術之一,文本情感分析在近幾年得到了研究人員的廣泛關注,并取得了很多的研究成果。文本情感分析根據(jù)評論文本中觀點的褒貶傾向來進行文本分類,其分類方法包括基于情感詞典的方法和基于機器學習的方法,其中第一種方法易于實現(xiàn)但是領域針對性不強,第二種方法分類效果更好但是需要大量的訓練語料。本文首先介紹了情感分析的研究背景、國內(nèi)外研究現(xiàn)狀以及關鍵技術。然后對比了基于情感詞典和基于機器學習兩種方法的優(yōu)缺點,并且結合機器學習中深度模型的有效性,選取了長短型記憶遞歸網(wǎng)絡作為分類模型,提出將情感詞典與深度學習模型兩者結合的新方法來分階段進行文本分類。新方法既克服了情感詞典的不完整性缺點也解決了機器學習的大量語料需求。最后,本文通過對比實驗證明在缺少訓練語料情況下,將情感詞典和長短型記憶遞歸網(wǎng)絡結合的方法應用在文本分類中可以獲得較高的精確度。
[Abstract]:With the rapid development of electronic commerce in recent years, more and more users will leave comments on goods or services after buying goods on the Internet. And the number of such reviews is growing. These data not only serve as a reference for consumers to shop for, but also provide a lot of advice and business opportunities for businesses' sales strategies. As one of the important techniques of text analysis, text emotion analysis has been paid much attention by researchers in recent years. A lot of research results have been made. Text affective analysis carries out text categorization according to the positive or negative tendency of opinion in the comment text. The classification methods include affective dictionary based approach and machine learning based approach. The first method is easy to implement but the domain is not specific. The second method has better classification effect but requires a lot of training data. Firstly, this paper introduces the research background of emotion analysis. Then, the advantages and disadvantages of affective dictionary and machine based learning are compared, and the validity of depth model in machine learning is combined. The long-long memory recursive network is selected as the classification model. A new method, which combines emotion dictionary with depth learning model, is proposed to classify text in stages. The new method not only overcomes the incompleteness of emotion dictionary, but also solves the need of a large amount of corpus for machine learning. In this paper, it is proved that in the absence of training corpus, the combination of affective dictionary and long-memory recursive network can achieve high accuracy in text classification.
【學位授予單位】：暨南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.1

【相似文獻】

相關期刊論文 前10條

1 李盛瑜;何文;;一種對聊天文本進行特征選取的方法研究[J];計算機科學;2007年05期

2 蔣志方;祝翠玲;吳強;;一個對不帶類別標記文本進行分類的方法[J];計算機工程;2007年12期

3 趙鋼;;從復雜文本中導入數(shù)據(jù)的方法[J];中國審計;2007年18期

4 易樹鴻;張為群;;一種基于粗集的文本數(shù)據(jù)特征信息的挖掘方法[J];計算機科學;2002年08期

5 李建中,楊艷,張艷秋;并行文本管理原型系統(tǒng)PDoc的功能與總體框架[J];哈爾濱工業(yè)大學學報;2004年09期

6 覃曉;元昌安;彭昱忠;丁超;;基于基因表達式編程的Web文本分類研究[J];網(wǎng)絡安全技術與應用;2009年03期

7 諶志群;;文本趨勢挖掘綜述[J];情報科學;2010年02期

8 王亞民;劉洋;;含附件文本的分類算法研究[J];情報雜志;2012年08期

9 江偉;潘昊;;基于優(yōu)化的多核學習方法的Web文本分類的研究[J];計算機技術與發(fā)展;2013年10期

10 陳福海;C++中用>>和<<重載實現(xiàn)文本文件的方便存取[J];現(xiàn)代計算機;1997年05期

相關會議論文 前10條

1 許君;王朝坤;劉立超;王建民;劉璋;;云環(huán)境中的近似復制文本檢測[A];第29屆中國數(shù)據(jù)庫學術會議論文集（B輯）（NDBC2012）[C];2012年

2 易天元;葉春生;;工業(yè)鍋爐圖紙輸入的文本數(shù)據(jù)處理[A];1997中國控制與決策學術年會論文集[C];1997年

3 胡蓉;唐常杰;陳敏敏;欒江;;關聯(lián)規(guī)則制導的遺傳算法在文本分類中的應用[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2002年

4 李文波;孫樂;黃瑞紅;馮元勇;張大鯤;;基于Labeled-LDA模型的文本分類新算法[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

5 黃云平;孫樂;李文波;;基于上下文圖模型文本表示的文本分類研究[A];第四屆全國信息檢索與內(nèi)容安全學術會議論文集（上）[C];2008年

6 蔣勇;陳曉靜;;一種多方向手寫文本行提取方法[A];第二十七屆中國控制會議論文集[C];2008年

7 李瑞;王朝坤;鄭偉;王建民;王偉平;;基于MapReduce框架的近似復制文本檢測[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集(B輯)[C];2010年

8 胡俊;黃厚寬;;一種基于SVM的可視化文本分類的方法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

9 勞錦明;韋崗;;文本壓縮技術研究的新進展[A];開創(chuàng)新世紀的通信技術——第七屆全國青年通信學術會議論文集[C];2001年

10 江荻;;藏語文本信息處理的歷程與進展[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術會議論文集[C];2006年

相關重要報紙文章 前1條

1 戴洪玲;向Excel中快速輸入相同文本[N];中國電腦教育報;2004年

相關博士學位論文 前10條

1 宋歌;基于聚類森林的文本流分類方法研究[D];哈爾濱工業(yè)大學;2014年

2 韓開旭;基于支持向量機的文本情感分析研究[D];東北石油大學;2014年

3 鄭立洲;短文本信息抽取若干技術研究[D];中國科學技術大學;2016年

4 韓磊;漢語句義結構模型分析及其文本表示方法研究[D];北京理工大學;2016年

5 劉林;面向論壇文本的大學生情緒識別研究[D];華中師范大學;2016年

6 張博宇;基于局部特征的場景文本分析方法研究[D];哈爾濱工業(yè)大學;2015年

7 胡明涵;面向領域的文本分類與挖掘關鍵技術研究[D];東北大學　;2009年

8 孫曉華;基于聚類的文本機會發(fā)現(xiàn)關鍵問題研究[D];哈爾濱工程大學;2010年

9 尚文倩;文本分類及其相關技術研究[D];北京交通大學;2007年

10 霍躍紅;典籍英譯譯者文體分析與文本的譯者識別[D];大連理工大學;2010年

相關碩士學位論文 前10條

1 金傳鑫;氣象文本分類特征選擇方法及其在MapReduce上的實現(xiàn)[D];南京信息工程大學;2015年

2 李少卿;不良文本及其變體信息的檢測過濾技術研究[D];復旦大學;2014年

3 楊名陽;基于空間文本數(shù)據(jù)的k近鄰連接研究[D];上海交通大學;2015年

4 李天彩;短文本信息流的會話抽取與分析技術研究[D];解放軍信息工程大學;2015年

5 陳亮宇;面向微博文本的事件抽取[D];東南大學;2015年

6 許慧芳;基于全覆蓋粒計算模型的文本表示和特征提取研究[D];太原理工大學;2016年

7 王煒;面向網(wǎng)絡輿情的文本語義傾向性分類算法研究[D];河北工程大學;2016年

8 任倚天;基于支持向量機的海量文本分類并行化技術研究[D];北京理工大學;2016年

9 光順利;基于Spark的文本分類的研究[D];長春工業(yè)大學;2016年

10 張高祥;基于SVM的文本信息過濾算法研究[D];吉林大學;2016年

，

本文編號：1624828