發(fā)布時間：2023-04-12 04:27

　　隨著現(xiàn)代信息技術(shù)的不斷發(fā)展,世界已跨入“互聯(lián)網(wǎng)+”與“Web2.0”的時代,使用社交媒體的用戶數(shù)量急速增長,每天在各社交平臺上傳播的信息數(shù)據(jù)量也呈指數(shù)級增長。作為近年來快速發(fā)展的社交網(wǎng)絡(luò)平臺,微博為移動應(yīng)用提供了便捷的合作模式,滿足了用戶在多元化移動終端中可以隨時隨地分享信息的需求,因此受到眾多用戶的廣泛好評和使用。通過情感分類技術(shù)對微博文本進(jìn)行分析,對于了解民眾輿論傾向、了解用戶需求、提高經(jīng)濟(jì)效益等都有重大的幫助。為提高中文微博分類效果并解決中文微博中廣泛存在的一詞多義現(xiàn)象,本文提出了一種基于混合神經(jīng)網(wǎng)絡(luò)的中文微博情感分類方法。在特征提取方面,將多種具有代表性的特征進(jìn)行融合。在模型構(gòu)建方面,提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的混合神經(jīng)網(wǎng)絡(luò)模型,該模型能夠綜合分析文本中的局部信息與順序信息。本文的研究工作和創(chuàng)新點(diǎn)具體如下:(1)鑒于文本特征構(gòu)建不夠充分的問題,提出一種從多角度挖掘文本信息的特征構(gòu)建方法。首先在語料庫上通過BERT模型來預(yù)訓(xùn)練得到詞嵌入特征,由于采取了預(yù)訓(xùn)練的方式,這種特征能夠表征同一詞語在不同語境下的多義性。然后提取其他特征,包括n-gram與詞語情感極性得分特征。...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 問題難點(diǎn)和本文研究思路
    1.4 本文內(nèi)容安排
第二章 中文微博情感分類基礎(chǔ)
    2.1 中文微博特點(diǎn)
        2.1.1 文本短、噪聲大
        2.1.2 多義詞較多
        2.1.3 符號較多
    2.2 文本預(yù)處理
        2.2.1 數(shù)據(jù)濟(jì)洗與去噪
        2.2.2 分詞與詞性標(biāo)注
        2.2.3 去停用詞
    2.3 義本特征表示方法
        2.3.1 詞袋模型
        2.3.2 分布式表示模型
    2.4 分類模型
        2.4.1 邏輯回歸模型
        2.4.2 最大熵模型
        2.4.3 支持向量機(jī)模型
    2.5 本章小結(jié)
第三章 基于混合神經(jīng)網(wǎng)絡(luò)的微博情感分類方法
    3.1 文本情感分類整體流程
    3.2 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)模型
        3.2.2 長短時記憶網(wǎng)絡(luò)模型
        3.2.3 卷積循環(huán)網(wǎng)絡(luò)模型
    3.3 混合神經(jīng)網(wǎng)絡(luò)模型
        3.3.1 文本特征表示
        3.3.2 改進(jìn)的C-LSTM模型
    3.4 本章小結(jié)
第四章 實(shí)驗(yàn)設(shè)計與結(jié)果分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)介紹
        4.1.1 實(shí)驗(yàn)數(shù)據(jù)的采集
        4.1.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
    4.2 實(shí)驗(yàn)工具介紹
    4.3 評測指標(biāo)介紹
    4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.1 對比模型選取與參數(shù)設(shè)計
        4.4.2 特征選擇的實(shí)驗(yàn)結(jié)果分析
        4.4.3 情感分類的實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝



本文編號：3790427