互聯網評論文本觀點挖掘策略研究
發(fā)布時間：2021-03-02 07:21
互聯網時代,人們越來越多地在線購物、在線訂餐、在線預定酒店等等。國內最大的電子商務網站阿里巴巴,其各款商品展示頁面通常都積累有成千上萬的購買者評論,國內最大的生活服務類電商,如美團,則有龐大的外賣、美食的評論數據,再者,像攜程這樣的線上OTA企業(yè)則有海量的酒店、旅游體驗評價。如今,數據越來越成為各互聯網企業(yè)最寶貴的財富,據2016年CNNIC（中國互聯網絡信息中心）數據顯示,71.1%的用戶認為產品評論是影響購買決策的最主要因素,而如此龐大的各類評論數據,正是用來分析各類商品價值、商家品質的絕好原材料。但是原始評論數據數量大、句式復雜、爭議性大,需要相應方法,將其結構化成觀點維度、觀點詞、情感類別三元組的形式,便于直觀的分析。本文分別從觀點抽取和評論文本情感傾向兩個子方向進行研究,研究主要內容及貢獻如下:（1）由硬匹配、軟匹配方法構成的第一、二層觀點維度詞、觀點詞挖掘模塊�！坝财ヅ洹敝傅氖窃u論句直接與種子詞典中候選詞進行搜索,若評論句中存在種子詞典內詞匯則挖掘成功;“軟匹配”指的是通過word2vec的方式,擴充了種子詞典,若評論文本中出現了擴充詞典的詞,則歸一至與其對應的種子詞典的詞...
【文章來源】：南京大學江蘇省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】：59 頁
【學位級別】：碩士
【部分圖文】：
圖２．１線性鏈條件隨機場??
的文本序列處理為等長的表示（輸出）向量，或者將表示向量合并、相加處理成??定長的表不（輸出）向量。??可以使用Ｘ來表示網絡輸入向量序列ｘｕ．．．．，ｘｎ。如圖２．３左所示，將整個網??絡看成Ａ，每個時刻ｔ輸入向量為ｘｔ，并循環(huán)輸入上個時刻歷史信息，最終網絡??ｔ時刻輸出ｈｔ，并在下一個時刻同樣的方式輸出ｈ１＋ｉ。??ｈｔ?＝?＝?ｔａｎｈＣＶＫ＾／ｉｔ，！?＋?Ｗｘｈｘｔ?＋?ｂ）?（公式?２．６）??除去網絡中的循環(huán)結構，該網絡很像一組全連接網絡。拆開這個網絡，則可??以更清除地看出ＲＮＮ與全連接網絡的不同之處。如圖２．３右，展幵之后可以發(fā)??現該網絡與序列地天然聯系，對此聯系可以用數學公式進行表示。??ｙｔ?＝?ｇ（Ｖｈｔ）?（公式?２＿７）??各參數說明如下：??Ｘｔ：?ｔ時刻的輸入??Ｓｔ：?ｔ時刻隱藏狀態(tài)??ｇ：激活函數，如ｔａｎｈ??Ｕ、Ｖ、Ｗ：網絡參數（ＲＮＮ共享同一批網絡參數）??１５??
圖３．１獨熱向量??
【參考文獻】：
期刊論文
[1]基于LSTM深度神經網絡的情感分析方法[J]. 伍行素,陳錦回. 上饒師范學院學報. 2018(06)
[2]基于Logistic回歸模型的微博情感分析研究[J]. 馮軍軍,王海沛,賀曉春. 計算機與數字工程. 2018(09)
[3]基于遷移學習的分層注意力網絡情感分析算法[J]. 曲昭偉,王源,王曉茹. 計算機應用. 2018(11)
[4]基于雙向LSTM語義強化的主題建模[J]. 彭敏,楊紹雄,朱佳暉. 中文信息學報. 2018(04)
[5]移動互聯網對電商行業(yè)的影響分析[J]. 劉揚. 產業(yè)與科技論壇. 2017(16)
[6]全國首例淘寶惡意刷單損害競爭對手商譽被判入罪[J]. 王羽. 上海企業(yè). 2017(02)
[7]分段卷積神經網絡在文本情感分析中的應用[J]. 杜昌順,黃磊. 計算機工程與科學. 2017(01)
[8]基于深度表示學習和高斯過程遷移學習的情感分析方法[J]. 吳冬茵,桂林,陳釗,徐睿峰. 中文信息學報. 2017(01)
[9]基于遷移學習微博情緒分類研究——以H7N9微博為例[J]. 周清清,章成志. 情報學報. 2016 (04)
[10]特征觀點對購買意愿的影響:在線評論的情感分析方法[J]. 王偉,王洪偉. 系統(tǒng)工程理論與實踐. 2016(01)
博士論文
[1]基于分布式表示學習的文本情感分析[D]. 陳濤.哈爾濱工業(yè)大學 2018
[2]網絡傳媒中的情感詞語的強度量化研究[D]. 阿斯力別克（Assylbek Kutlumuratov）.華南理工大學 2017
[3]觀點挖掘中評價對象抽取方法的研究[D]. 劉倩.東南大學 2016
[4]文本情感分析中關鍵問題的研究[D]. 李巖.北京郵電大學 2014
[5]WEB觀點挖掘中關鍵問題的研究[D]. 李思.北京郵電大學 2012
碩士論文
[1]基于深度學習的中文分詞模型應用研究[D]. 解宇涵.重慶大學 2017
[2]面向電商評論細粒度觀點挖掘的拓展主題模型研究[D]. 鄭玉桂.浙江工商大學 2017
[3]基于云模型理論的LDA最大熵模型觀點挖掘研究[D]. 司琪.華中師范大學 2016
[4]評論文本情感分析算法的研究[D]. 袁磊.合肥工業(yè)大學 2016
[5]基于詞性與LDA主題模型的文本分類技術研究[D]. 張勇.安徽大學 2016
[6]基于字的分詞方法的研究與實現[D]. 游治勇.電子科技大學 2015
[7]基于句法分析和主題建模的細粒度觀點挖掘模型研究[D]. 王曉偉.浙江大學 2013
[8]基于Web的汽車產品評論觀點挖掘方法研究[D]. 宋曉雷.山西大學 2010
[9]中文詞性標注的研究與實現[D]. 張衛(wèi).南京師范大學 2007
本文編號：3058869
【文章來源】：南京大學江蘇省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】：59 頁
【學位級別】：碩士
【部分圖文】：
圖２．１線性鏈條件隨機場??
的文本序列處理為等長的表示（輸出）向量，或者將表示向量合并、相加處理成??定長的表不（輸出）向量。??可以使用Ｘ來表示網絡輸入向量序列ｘｕ．．．．，ｘｎ。如圖２．３左所示，將整個網??絡看成Ａ，每個時刻ｔ輸入向量為ｘｔ，并循環(huán)輸入上個時刻歷史信息，最終網絡??ｔ時刻輸出ｈｔ，并在下一個時刻同樣的方式輸出ｈ１＋ｉ。??ｈｔ?＝?＝?ｔａｎｈＣＶＫ＾／ｉｔ，！?＋?Ｗｘｈｘｔ?＋?ｂ）?（公式?２．６）??除去網絡中的循環(huán)結構，該網絡很像一組全連接網絡。拆開這個網絡，則可??以更清除地看出ＲＮＮ與全連接網絡的不同之處。如圖２．３右，展幵之后可以發(fā)??現該網絡與序列地天然聯系，對此聯系可以用數學公式進行表示。??ｙｔ?＝?ｇ（Ｖｈｔ）?（公式?２＿７）??各參數說明如下：??Ｘｔ：?ｔ時刻的輸入??Ｓｔ：?ｔ時刻隱藏狀態(tài)??ｇ：激活函數，如ｔａｎｈ??Ｕ、Ｖ、Ｗ：網絡參數（ＲＮＮ共享同一批網絡參數）??１５??
圖３．１獨熱向量??
【參考文獻】：
期刊論文
[1]基于LSTM深度神經網絡的情感分析方法[J]. 伍行素,陳錦回. 上饒師范學院學報. 2018(06)
[2]基于Logistic回歸模型的微博情感分析研究[J]. 馮軍軍,王海沛,賀曉春. 計算機與數字工程. 2018(09)
[3]基于遷移學習的分層注意力網絡情感分析算法[J]. 曲昭偉,王源,王曉茹. 計算機應用. 2018(11)
[4]基于雙向LSTM語義強化的主題建模[J]. 彭敏,楊紹雄,朱佳暉. 中文信息學報. 2018(04)
[5]移動互聯網對電商行業(yè)的影響分析[J]. 劉揚. 產業(yè)與科技論壇. 2017(16)
[6]全國首例淘寶惡意刷單損害競爭對手商譽被判入罪[J]. 王羽. 上海企業(yè). 2017(02)
[7]分段卷積神經網絡在文本情感分析中的應用[J]. 杜昌順,黃磊. 計算機工程與科學. 2017(01)
[8]基于深度表示學習和高斯過程遷移學習的情感分析方法[J]. 吳冬茵,桂林,陳釗,徐睿峰. 中文信息學報. 2017(01)
[9]基于遷移學習微博情緒分類研究——以H7N9微博為例[J]. 周清清,章成志. 情報學報. 2016 (04)
[10]特征觀點對購買意愿的影響:在線評論的情感分析方法[J]. 王偉,王洪偉. 系統(tǒng)工程理論與實踐. 2016(01)
博士論文
[1]基于分布式表示學習的文本情感分析[D]. 陳濤.哈爾濱工業(yè)大學 2018
[2]網絡傳媒中的情感詞語的強度量化研究[D]. 阿斯力別克（Assylbek Kutlumuratov）.華南理工大學 2017
[3]觀點挖掘中評價對象抽取方法的研究[D]. 劉倩.東南大學 2016
[4]文本情感分析中關鍵問題的研究[D]. 李巖.北京郵電大學 2014
[5]WEB觀點挖掘中關鍵問題的研究[D]. 李思.北京郵電大學 2012
碩士論文
[1]基于深度學習的中文分詞模型應用研究[D]. 解宇涵.重慶大學 2017
[2]面向電商評論細粒度觀點挖掘的拓展主題模型研究[D]. 鄭玉桂.浙江工商大學 2017
[3]基于云模型理論的LDA最大熵模型觀點挖掘研究[D]. 司琪.華中師范大學 2016
[4]評論文本情感分析算法的研究[D]. 袁磊.合肥工業(yè)大學 2016
[5]基于詞性與LDA主題模型的文本分類技術研究[D]. 張勇.安徽大學 2016
[6]基于字的分詞方法的研究與實現[D]. 游治勇.電子科技大學 2015
[7]基于句法分析和主題建模的細粒度觀點挖掘模型研究[D]. 王曉偉.浙江大學 2013
[8]基于Web的汽車產品評論觀點挖掘方法研究[D]. 宋曉雷.山西大學 2010
[9]中文詞性標注的研究與實現[D]. 張衛(wèi).南京師范大學 2007
本文編號：3058869
本文鏈接：http://www.sikaile.net/kejilunwen/ruanjiangongchenglunwen/3058869.html
