【摘要】：電子商務(wù)平臺上商品評論文本呈現(xiàn)爆炸性增長,利用自然語言處理和機器學習等技術(shù)自動、高效地對電商平臺的文本進行情感分析具有十分重要的意義。目前主流的情感分析方法包括基于規(guī)則的方法、基于機器學習的方法和基于深度學習的方法。隨著大數(shù)據(jù)技術(shù)的發(fā)展以及語言形式的多樣化,深度學習已經(jīng)成為自然語言處理領(lǐng)域的研究熱點,并在情感分析領(lǐng)域取得重大突破,因此基于深度學習的情感分析方法被深入研究。主要研究內(nèi)容如下:1.針對現(xiàn)有跨領(lǐng)域情感分類方法中文本表示特征忽略了重要單詞的情感信息,且在遷移過程中存在負遷移的問題,提出一種基于注意力機制的卷積-雙向長短期記憶(AC-BiLSTM)模型的知識遷移方法。首先,利用低維連續(xù)的詞向量對文本進行向量化表示;其次,采用卷積操作獲取局部上下文特征之后,通過雙向長短期記憶網(wǎng)絡(luò)充分考慮特征之間的長期依賴關(guān)系;然后,通過引入注意力機制考慮不同詞匯對文本的貢獻程度,同時為了避免遷移過程中出現(xiàn)負遷移現(xiàn)象,在目標函數(shù)中引入正則項約束;最后,將在源領(lǐng)域產(chǎn)品評論訓練得到的模型參數(shù)遷移到目標領(lǐng)域產(chǎn)品評論中,并在少量目標領(lǐng)域有標注數(shù)據(jù)上進行微調(diào)。實驗結(jié)果表明,AC-BiLSTM模型可以有效地提高跨領(lǐng)域情感分類性能。2.針對傳統(tǒng)深度記憶網(wǎng)絡(luò)進行方面級情感分析忽略詞序信息和上下文依賴信息的問題,提出一種基于卷積-雙向最小門單元記憶網(wǎng)絡(luò)(CNN-BiMGU-MemNet)的方面級情感分析方法。首先,將上下文用Word2Vec詞向量模型表示,把高維原數(shù)據(jù)映射成低維連續(xù)的詞向量;然后,將詞向量輸入到卷積記憶網(wǎng)絡(luò)和雙向最小門單元記憶網(wǎng)絡(luò)中分別獲取文本中單詞的順序信息和上下文長期依賴信息;最后,結(jié)合卷積記憶網(wǎng)絡(luò)和雙向最小門單元記憶網(wǎng)絡(luò)的輸出向量表示,并將其輸入到softmax層進行情感分類。實驗結(jié)果表明,CNN-BiMGU-MemNet模型在準確率和宏平均F1值上均優(yōu)于其他對比模型,能夠有效地提高分類性能。
【學位授予單位】：重慶郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F713.36;TP391.1;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 廖祥文;謝媛媛;魏晶晶;桂林;程學旗;陳國龍;;基于卷積記憶網(wǎng)絡(luò)的視角級微博情感分類[J];模式識別與人工智能;2018年03期

2 張學武;劉廣聰;蔡念;;基于Attention-biLSTM的候選答案句抽取[J];福建電腦;2019年04期

3 雷葉;;從餐館評論中提取方面術(shù)語[J];智能計算機與應用;2019年03期

4 張俊青;孔芳;;基于序列到序列模型的事件識別[J];中文信息學報;2019年06期

5 張家穎;楊文軍;;基于深度學習的網(wǎng)絡(luò)流量分類識別研究[J];天津理工大學學報;2019年06期

6 李家樂;吳明禮;;基于深度學習的問題回答技術(shù)研究[J];數(shù)字技術(shù)與應用;2019年02期

7 劉蕊;沈海斌;;序列—結(jié)構(gòu)的文本分類算法[J];電子技術(shù);2018年02期

8 王翰林;何中市;;基于Faster R-CNN的復雜背景下的人臉檢測[J];現(xiàn)代計算機(專業(yè)版);2019年07期

9 孫鑫;王厚峰;;問答中的問句意圖識別和約束條件分析[J];中文信息學報;2017年06期

10 董葉豪;柯宗武;熊旭輝;孫玉霞;夏端峰;;基于Seq2Seq的問答系統(tǒng)應用研究[J];福建電腦;2018年10期

相關(guān)碩士學位論文 前5條

1 紀清晨;基于深度學習的行人屬性識別研究[D];哈爾濱工業(yè)大學;2019年

2 龔琴;基于深度學習的電商產(chǎn)品評論情感分析研究[D];重慶郵電大學;2019年

3 劉沖;基于深度學習的流量分類系統(tǒng)[D];北京郵電大學;2019年

4 張賞;基于本體的地理知識問答[D];東南大學;2018年

5 王新波;用戶評論方面級情感分析算法研究[D];北京郵電大學;2018年

，

本文編號：2654171